这里有五项研究，人工智能助力肿瘤诊断、免疫反应预测、识别耐药性等医疗研究 - IT思维

公众号/ ScienceAI（ID：Philosophyai）

编辑 | 白菜叶

目录

利用人工智能准确诊断脑肿瘤

预测癌症患者免疫治疗反应的机器学习模型

机器学习模型有助于识别治疗结核病的关键抗生素的耐药性

从系统发育中深度学习以揭示爆发的流行病学动态

通过深度学习的单次飞秒刺激拉曼组织学即时诊断胃镜活检

利用人工智能准确诊断脑肿瘤

对比增强脑肿瘤的预处理诊断在临床神经肿瘤学中仍然具有挑战性，因为它们在常规 MRI 上的外观非常相似。然而，精确的初始表征对于启动适当的治疗管理至关重要，这在脑肿瘤实体之间可能存在很大差异。

为了克服传统 MRI 特异性低的缺点，在过去的几十年中，已经开发和验证了几种新的神经影像学方法。这种不断增加的诊断信息量使得在临床环境中无法在没有计算支持的情况下进行及时评估。机器学习等人工智能方法为支持临床医生提供了新的选择。

在这里，卡尔兰德斯坦纳私立大学（Karl Landsteiner University of Health Sciences）的研究人员将九种常见的机器学习算法与生理 MRI 技术相结合，以研究对比增强脑肿瘤的多类分类在临床环境中的有效性。研究表明放射生理学可能有助于对比增强脑肿瘤的常规诊断，但需要使用深度神经网络进一步自动化。

该研究以「Radiophysiomics: Brain Tumors Classification by Machine Learning and Physiological MRI Data」为题，于 2022 年 5 月 10 日发布在《Cancers》

论文链接：https://www.mdpi.com/2072-6694/14/10/2363

相关报道：https://medicalxpress.com/news/2022-06-accurate-diagnosis-brain-tumors-artificial.html

预测癌症患者免疫治疗反应的机器学习模型

在过去的几年中，免疫检查点抑制剂（ICI）大大提高了癌症患者的生存率。然而，只有少数患者对 ICI 治疗有反应（实体瘤中约为 30%），而当前 ICI 反应相关的生物标志物通常无法预测 ICI 治疗反应。

在这里，韩国浦项科技大学的研究人员提出了一个机器学习（ML）框架，该框架利用基于网络的分析来识别可以做出稳健预测的 ICI 治疗生物标志物 (NetBio)。

他们整理了 700 多个 ICI 治疗的患者样本以及临床结果和转录组数据，并观察到基于 NetBio 的预测准确地预测了三种不同癌症类型（黑色素瘤、胃癌和膀胱癌）的 ICI 治疗反应。

此外，基于 NetBio 的预测优于基于其他常规 ICI 治疗生物标志物的预测，例如 ICI 靶标或肿瘤微环境相关标志物。这项工作提出了一种基于网络的方法，可以有效地选择免疫治疗反应相关的生物标志物，可以为精准肿瘤学做出基于机器学习的稳健预测。

该研究以「Network-based machine learning approach to predict immunotherapy response in cancer patients」为题，于 2022 年 6 月 28 日发布在《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-022-31535-6

相关报道：https://medicalxpress.com/news/2022-07-machine-immunotherapy-response-cancer-patients.html

机器学习模型有助于识别治疗结核病的关键抗生素的耐药性

结核病 (TB) 仍然是全球十大主要死因之一，据报道，2020 年有超过 130 万人死亡。该病耐药形式的出现和传播使结核病在许多环境中的控制变得复杂。增加挑战的是，治疗耐药结核病是困难的（2019 年成功率为 57%）、时间长（治疗可能需要 9-20 个月）和多方面（治疗通常需要多种抗生素，会导致严重的副作用）。

用于治疗耐药结核病的一类关键抗生素是氟喹诺酮类药物，它构成了大多数耐药结核病治疗方案的支柱。然而，结核病菌株已经进化为对氟喹诺酮类药物产生抗药性，从而削弱了包括该类抗生素在内的治疗方案的功效。耐药结核病患者的最佳治疗方案理想情况下是通过使用药物敏感性测试确定的，该测试可以从表型上确定抗生素对特定结核病菌株的功效。

然而，这些检测在资源匮乏、负担重的环境中很少见，这意味着这些地区的个人无法接受能够最好地治疗其结核病的专门治疗。此外，即使它们可用，表型测试也可能需要长达 12 周的时间才能提供结果。

耶鲁大学的一个研究团队一直在研究预测对氟喹诺酮类药物耐药性的模型，这可以加快提供最佳护理的过程。研究小组利用在摩尔多瓦共和国收集的国家结核病数据，评估了人口统计学和临床因素是否可以用作结核病对氟喹诺酮类药物耐药的预测因子。他们发现年龄、地理位置以及结核病是新发还是复发等信息可以作为耐药性的可靠预测指标。然后，他们通过机器学习创建了一个模型，以估计患者感染对氟喹诺酮类药物具有抗药性的结核病菌株的概率。

该研究以「Predicting resistance to fluoroquinolones among patients with rifampicin-resistant tuberculosis using machine learning methods」为题，于 2022 年 6 月 30 日发布在《PLOS Digital Health》。

论文链接：https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000059
相关报道：https://medicalxpress.com/news/2022-06-machine-resistance-key-antibiotics-tuberculosis.html

从系统发育中深度学习以揭示爆发的流行病学动态

需要广泛适用、准确和快速的系统动力学推理方法，以充分利用丰富的遗传数据来揭示流行病的动态。标准方法，包括最大似然法和贝叶斯方法，通常依赖于复杂的数学公式和近似值，并且不随数据集大小而扩展。

巴黎城市大学的研究人员开发了一种基于模拟的无似然方法，该方法将深度学习与（1）在系统发育中测量的大量汇总统计数据相结合，或（2）树的完整紧凑表示法相结合，避免了汇总统计数据的潜在局限性，适用于任何系统动力学模型。该方法能够从非常大的系统发育中选择模型和估计流行病学参数。研究人员在模拟数据上展示了它的速度和准确性，它比当前最先进的方法表现更好。

该研究以「Deep learning from phylogenies to uncover the epidemiological dynamics of outbreaks」为题，于 2022 年 6 月 6 日发布在《Nature Communications》。

开源链接：github.com/evolbioinfo/phylodeep

论文链接：https://www.nature.com/articles/s41467-022-31511-0

通过深度学习的单次飞秒刺激拉曼组织学即时诊断胃镜活检

胃镜活检为胃癌诊断提供了唯一有效的方法，但组织病理学的金标准耗时且与胃镜检查不兼容。传统的受激拉曼散射 (SRS) 显微镜已在人体组织的无标记诊断中显示出前景，但它需要调整皮秒激光器以实现化学特异性，但代价是时间和复杂性。

在这里，复旦大学义乌研究所的研究人员证明了单次飞秒 SRS (femto-SRS) 通过与 U-Net 集成，在保留化学分辨率的情况下达到了最大速度和灵敏度。新鲜的胃镜活检在 <60 秒内成像，揭示了与标准组织病理学完全一致的基本组织结构特征。 此外，基于来自 279 名患者的图像构建了一个诊断神经网络 (CNN)，预测胃癌的准确度 > 96%。研究人员进一步展示了肿瘤内异质性的语义分割和内窥镜黏膜下剥离术 (ESD) 组织切除边缘的评估，以模拟快速和自动化的术中诊断。该方法具有同步胃镜检查和组织病理学诊断的潜力。

该研究以「Instant diagnosis of gastroscopic biopsy via deep-learned single-shot femtosecond stimulated Raman histology」为题，于 2022 年 7 月 13 日发布在《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-022-31339-8