编辑 | 萝卜皮
来源 | ScienceAI

目录

机器学习工具可以帮助肿瘤学家做出更好的治疗决定
科学家开发人工智能方法来预测抗癌免疫力
使用深度学习进行宫颈癌筛查的稳健整体幻灯片图像分析
人工智能工具提高乳腺癌成像的准确性
人工智能可以快速准确地排除密集乳房的癌症

机器学习工具可以帮助肿瘤学家做出更好的治疗决定

确定介导前列腺癌临床侵袭性表型的分子特征仍然是一个主要的生物学和临床挑战。应用于生物医学问题的机器学习模型的可解释性的最新进展可能有助于临床癌症基因组学的发现和预测。

来自麻省理工学院和哈佛大学的研究人员开发了一种生物学知情的深度学习模型 P-NET——通过治疗抵抗状态对前列腺癌患者进行分层，并通过完整的模型可解释性评估治疗靶向治疗抵抗的分子驱动因素。

研究人员证明 P-NET 可以使用分子数据预测癌症状态，其性能优于其他建模方法。此外，P-NET 中的生物学可解释性揭示了已建立和新的分子改变候选物，如 MDM4 和 FGFR1，它们与预测晚期疾病有关并在体外得到验证。生物学信息完全可解释的神经网络，使前列腺癌的临床前发现和临床预测成为可能，并且可能具有跨癌症类型的普遍适用性。

该研究以「Biologically informed deep neural network for prostate cancer discovery」为题，于 2021 年 9 月 22 日发布在《Nature》。

论文链接：https://www.nature.com/articles/s41586-021-03922-4
相关报道：https://medicalxpress.com/news/2021-09-machine-tool-oncologists-treatment-decisions.html

从广义上讲，P-NET 利用生物学信息而非任意过度参数化的架构进行预测。结果，P-NET 显着减少了学习参数的数量，从而增强了可解释性。与其他机器学习模型（包括密集网络）相比，P-NET 中的稀疏架构具有更好的预测性能，并且可能适用于其他类似任务。

P-NET 在前列腺癌患者的分子队列中的应用证明了 (1) 模型性能可以预测原发性前列腺癌患者群体的临床侵袭性疾病，以及（2）有助于转移性前列腺癌临床表型的趋同生物学过程，其在分子分层群体中具有新的治疗策略。

此外，P-NET提供了一种简单的方法来整合多个分子特征（例如，突变、拷贝数变化和融合等），以反映它们在预测最终结果中的重要性，而这之前需要对每个特征采用不同的统计方法来发现癌症基因。

更重要的是，P-NET 提供了一个框架，用于使用神经网络语言对分层先验知识进行编码，并将这些分层结构转化为计算模型，该模型可用于临床基因组学环境中的预测和生物发现。

总之，P-NET 是一种生物学深度神经网络，可以准确地将去势抵抗性转移性前列腺癌与原发性前列腺癌分类。将训练有素的模型可视化，产生了前列腺癌转移机制的新假设，并为分子分层前列腺癌患者群体的临床转化提供了直接潜力的见解。

生物引导神经网络代表了一种通过构建机械预测模型将癌症生物学与机器学习相结合的新方法，为生物学发现提供了一个平台，该平台可能广泛适用于癌症预测和发现任务。

科学家开发人工智能方法来预测抗癌免疫力

新抗原在 T 细胞识别肿瘤细胞中起关键作用；然而，只有一小部分新抗原真正引起了 T 细胞反应，并且很少有关于哪些新抗原被哪些 T 细胞受体 (TCR) 识别的线索。

来自德克萨斯大学的研究人员建立了一个名为 pMHC-TCR 结合预测网络 (pMTnet) 的基于转移学习的模型，以预测由 I 类主要组织相容性复合物呈现的新抗原和一般 T 细胞抗原的 TCR 结合特异性。

pMTnet 得到了一系列分析的全面验证，并且比以前的工作取得了很大的进步。通过将 pMTnet 应用于人类肿瘤基因组数据，研究人员发现新抗原通常比自身抗原更具免疫原性，但人类内源性逆转录病毒 E（一种在肾癌中重新激活的特殊类型的自身抗原）比新抗原更具免疫原性。

进一步发现，在黑色素瘤和肺癌中，具有更多克隆扩增 T 细胞的患者对躯干而非亚克隆新抗原表现出更好的亲和力，对免疫疗法的预后和治疗反应更好，但在肾癌中则不然。

预测 TCR-新抗原/抗原配对是现代免疫学中最艰巨的挑战之一；然而，该团队仅使用 TCR 序列（CDR3β）、抗原序列和 I 类主要组织相容性复合体等位基因就实现了对配对的准确预测，并且该工作揭示了使用 pMTnet 对 TCR 与人类肿瘤中主要组织相容性复合体之间相互作用的独特见解 作为发现工具。

该研究以「Deep learning-based prediction of the T cell receptor–antigen binding specificity」为题，于 2021 年 9 月 23 日发布在《Nature Machine Intelligence》。

论文链接：https://www.nature.com/articles/s42256-021-00383-2
相关报道：https://medicalxpress.com/news/2021-09-scientists-artificial-intelligence-method-anti-cancer.html

使用深度学习进行宫颈癌筛查的稳健整体幻灯片图像分析

宫颈癌是女性最常见的癌症之一。2020 年，全球约有 604,127 名女性被诊断出患有宫颈癌，其中 341,831 人死于该病。多项研究表明，定期检查可降低宫颈癌的发病率和死亡率。

计算机辅助诊断是扩大宫颈癌筛查的关键。然而，当前的识别算法在整个幻灯片图像 (WSI) 分析上表现不佳，无法概括各种染色和成像，并显示出次优的临床水平验证。

来自华中科技大学的研究人员开发了一种渐进式病变细胞识别方法，结合低分辨率和高分辨率 WSI 来推荐病变细胞，以及基于循环神经网络的 WSI 分类模型来评估 WSI 的病变程度。

研究人员在 3,545 个针对患者的 WSI 上训练和验证了 WSI 分析系统，其中包含来自多家医院和多个成像仪器的 79,911 个注释。

在 1,170 个患者 WSI 的多中心独立测试集上，实现了 93.5% 的特异性和 95.1% 的切片分类灵敏度，优于三位独立细胞病理学家的平均表现，并获得了 88.5% 的突出前 10 名真阳性率 447 张阳性载玻片上的病变细胞。部署后，该系统在大约 1.5 分钟内识别出一个 1 千兆像素的 WSI。

该研究以「Robust whole slide image analysis for cervical cancer screening using deep learning」为题，于 2021 年 9 月 24 日发布在《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-021-25296-x
在该研究中，研究人员提出了一种基于深度学习和大规模 WSI 的宫颈癌筛查临床级辅助诊断系统。与现有方法相比，该系统具有以下主要优势：

• WSI 级别的分析系统而不是瓦片级别的评估；

• 低分辨率和高分辨率组合、数据增强、多样化数据学习和硬样本挖掘的集成策略，以实现我们系统的高精度、良好的泛化和快速的速度；

• Tile 和 WSI 级别的人机比较验证，以证明我们系统的有效性；

• 使用 C++ 的实际部署，使用一个 GPU 在大约 1.5 分钟的时间内处理一个千兆像素的 WSI。

宫颈细胞学筛查的平均报告阳性率低于10%，体检人群的阳性率更低。因此，如果能区分出一些阴性样本，对细胞技术应该是一个很大的帮助。在该研究中，载玻片阳性分数的分布（0.8% 假阴性载玻片）表明该系统有潜力排除大量的阴性载玻片并减少细胞技术人员的大量工作量。给出每张幻灯片上10/20个最可疑的区域，其TPRs相对较高，为88.5%/85.0%；这将有助于医生从遍历和搜索可疑目标的任务中解放出来，专注于识别推荐的可疑细胞的任务。对于缺乏细胞病理学技术的欠发达地区，该系统对于加快宫颈癌筛查的普及具有重要的临床和社会意义。

人工智能工具提高乳腺癌成像的准确性

乳腺癌是最常被诊断出的癌症，也是全球女性癌症相关死亡的主要原因。据估计，到 2021 年，美国女性将诊断出 281,550 例新的浸润性乳腺癌病例，最终导致约 43,600 人死亡。在癌细胞转移前，早期识别乳腺癌可以实现更有效的治疗，从而显着提高存活率。

长期以来，乳房X线照相术一直是用于筛查和早期检测乳腺癌的最广泛使用的成像技术，但它并非没有限制。特别是对于乳房组织致密的女性，乳房X光检查的灵敏度从85%下降到48~64%。这是一个显着的缺点，因为乳房极其致密的女性患乳腺癌的风险增加了 4 倍。

此外，乳房 X 光检查并不总是可用的，特别是在资源有限的环境中，设备的高成本令人望而却步，并且缺少熟练的技术人员和放射科医生。

来自纽约大学的研究人员提出了一个 AI 系统，该系统在识别超声图像中的乳腺癌时达到放射科医师级别的准确度。

该 AI 在 288,767 次检查（包括 5,442,907 张 B 模式和彩色多普勒图像）上开发，在由 44,755 次检查组成的测试集上实现了 0.976 的接收者操作特征曲线下面积 (AUROC)。在一项回顾性读者研究中，AI 实现的 AUROC 高于 10 位获得董事会认证的乳腺放射科医生的平均水平（AUROC：0.962 AI，0.924 ± 0.02 放射科医生）。

在人工智能的帮助下，放射科医生将假阳性率降低了 37.3%，并将要求的活检减少了 27.8%，同时保持了相同的灵敏度水平。这凸显了人工智能在提高乳腺超声诊断的准确性、一致性和效率方面的潜力。

该研究以「Artificial intelligence system reduces false-positive findings in the interpretation of breast ultrasound exams」为题，于 2021 年 9 月 24 日发布在《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-021-26023-2
相关报道：https://medicalxpress.com/news/2021-09-artificial-intelligence-tool-accuracy-breast.html

人工智能可以快速准确地排除密集乳房的癌症

事实证明，使用 MRI 进行补充筛查对乳房极其致密的女性有益。大多数 MRI 检查显示正常的解剖和生理变异，可能不需要放射学检查。因此，需要对这些正常的 MRI 检查进行分类以减少放射科医生的工作量的方法。为了确定使用深度学习 (DL) 的自动分类方法的可行性，以及消除最多数量的无病变 MRI 检查，同时仍能识别恶性疾病。

来自荷兰乌得勒支大学（Utrecht University）的研究人员对致密组织和早期乳腺肿瘤筛查 (DENSE) 试验数据的二次分析，评估了 2011 年 12 月至 2016 年 1 月在八家医院进行的第一轮筛查的乳腺 MRI 检查；并开发了一个 DL 模型来区分有病变的乳房。

该模型经过训练，可以排除具有正常表型变异的乳房，并使用八重内部-外部验证对病变进行分类（乳房成像报告和数据系统 [BI-RADS] 类别 2-5）。该模型使用来自七家医院的数据进行训练，并使用来自第八家医院的数据进行测试，交替使用每家医院一次作为外部测试集。使用接收器操作特性分析评估性能。对恶性疾病的敏感性为 100%，估计从放射学审查中排除的检查的比例。

共纳入了 4581 名来自 4581 名女性（平均年龄，54.3 岁；四分位距，51.5-59.8 岁）的极致密乳房的 MRI 检查。在 9162 个乳房中，838 个至少有一个病变（BI-RADS 2-5 类，其中 77 个是恶性的），8324 个没有病变。DL 模型对恶性病变的敏感性为 100%，认为 90.7%（95% CI：86.7, 94.7）的 MRI 检查有病变不正常，并将它们分类为放射学检查。DL 模型驳回了 39.7%（95% CI：30.0, 49.4）的无病变 MRI 检查。DL模型在区分正常乳腺MRI检查和有病变的MRI检查方面的受试者工作特征曲线下平均面积为0.83（95% CI：0.80, 0.85）。

结果表明，对乳房致密女性的乳房 MRI 检查的自动分析忽略了近 40% 没有病变的 MRI 扫描，同时没有遗漏任何癌症。

该研究以「Deep Learning for Automated Triaging of 4581 Breast MRI Examinations from the DENSE Trial」为题，于 2021 年 10 月 5 日发布在《Radiology》杂志。

论文链接：https://pubs.rsna.org/doi/10.1148/radiol.2021203960
相关报道：https://scitechdaily.com/artificial-intelligence-can-quickly-and-accurately-rule-out-cancer-in-dense-breasts/