1970-01-01
第二届“35 under 35”CSCO-良医汇2018优秀青年肿瘤医师风采大赛评选活动”报名及筛选阶段已正式结束!在众多参与报名筛选的医生中,有100位优秀青年医生脱颖而出!他们将在近期进行三轮PK,展示青年医生风采!第一轮为ASCO最新摘要解读,候选人在主办方指定的2018ASCO口头报告专题中自由选择一份口头报告进行点评(如:背景,结果的评价,对临床的意义,和其他研究的对照,优点和不足等等),目前100位青年医生在规定的时间内已将解读提交,解读很精彩,现展示出来,供各位品读!欢迎转发,让更多的医生同道看到青年力量!欢迎评论,发表您的见解,与青年医师同台论道!
Abstract 8545:利用影像组学深度学习预测肺癌组织类型
背景:组织类型是预测肺癌患者临床预后的一个重要因素。组织学诊断是肺癌分型中最重要的方式,但是针对胸部病灶的病理诊断,往往需要极高的诊断水平。在这项研究中,来自美国哈佛医学院丹娜法伯癌症研究院的研究人员,通过影像组学深度学习的方法,针对早期非小细胞肺癌(NSCLC)进行无创的组织类型的分类诊断。
方法:研究一共纳入了157例通过病理确诊为腺癌或者鳞癌的I期NSCLC患者。所有患者都是在2004年至2010年期间,在麻省总院准备接受外科手术治疗的患者。针对术前胸部CT图像,采用预先训练好的VGG-16卷积神经网络(CNN)来进行深度特征提取。在网络的图层中除了增加互相关联的分类信息外,还应用了一个自动学习的分类模块。在特征提取的过程中,有三个机器学习的分类模型分别独立地进行判断,包括K近邻算法(KNN),随机森林分类(RF),和最小绝对值收敛和选择算子、套索算法(LASSO)。在特征选择的过程中,运用主成分分析来保证方差解释变异量控制在90%左右。然后运用LASSO算法获取最佳特征。最终的模型在100例患者集中训练,并在57例独立的测试集中进行交互验证。
结果:所有的模型都可以实现二分类的判断,用于区分腺癌和鳞癌。其中全连接CNN具有极好的诊断效率(AUC = 0.751)。当把特征的空间维度由512减小到46时,其他的分类模型也具有显著的预测效力(AUC = 0.533)。在研究中有73%的患者为腺癌,27%的患者为鳞癌,在训练集和验证集的队列中,针对两组病理类型的分布做了平衡处理。
结论:影像组学深度学习可以作为一种非常有效的无创肺癌组织类型的分类方法。这些方法同样可以提高其它先进的诊断技术,例如液体活检,为临床决策提供辅助的信息。
点评:
本项研究结合了影像组学和深度学习两大热点技术,通过建立本地早期肺癌病例队列,利用术前CT影像,训练并验证了多种计算机深度学习的模型,通过计算机独立判断及统计学有效性的比较,获得了以CNN深度学习为基础的组织类型判断模型,可以协助临床医生更好地预测术后的病理结果。纵观此次大会,还有多项聚焦在深度学习领域的研究,包括了早期NSCLC术后生存预测、肺结节CT筛查、组织病理图像基因突变预测、免疫治疗疗效及毒性预测等内容。
从统计和计算的角度看,深度学习是目前最适合处理上述所提到的复杂临床问题的方法。它集中体现了当前机器学习的三个大趋势:用极多参数的模型降低模型偏差,用海量训练数据提升统计估计的准确度,用可扩展的梯度下降算法求解大规模优化问题。传统机器学习往往被分解为几个不连贯的数据预处理步骤,比如人工抽取特征,这些步骤并非一致地优化某个整体的目标函数。而深度学习几乎是唯一的端到端机器学习系统,直接作用于原始数据,自动逐层进行特征学习,直接优化目标函数。
一、深度学习针对医疗大数据领域的研究现状
随着深度学习技术的不断发展和积累,这项前沿人工智能技术也开始被应用于处理医疗大数据。Kim等人设计了一个双层堆叠的卷积独立子空间网络(ISA)用来做7T磁共振图像的海马体分割,较传统手工设计特征的方法而言取得更优的结果。Zhang等人利用深度卷积神经网络学习T1,T2 和FA磁共振图像的统一表示,进而完成对幼儿脑组织图像的分割。Suk等人提出使用多模态深度波尔兹曼受限机(Multi-modal DBM)从磁共振图像(MR)和正电子断层扫描图像(PET)中学习统一特征表达,来进行阿兹海默病及早期认知功能损伤的诊断。Liao等人也使用深度神经网络来完成磁共振图像中前列腺组织的分割,取得了较好的实验结果。Pham等人提出面向医学预测(个性化医疗)的端到端深度动态记忆神经网络DeepCare,该网络以长短时记忆神经网络LSTM模型为基础通过对电子病历的处理分析,对患者的健康状况进行预警并给出诊疗建议。Lipton等人也使用了LSTM模型来分析重症监护室ICU中病人的电子病历动态时序信息,从而对病患进行辅助诊断。
二、影像组学研究背景
“影像组学”(Radiomics)由荷兰学者 Lambin于2012 年首先提出,并由Kumar等学者进行补充定义。影像组学是指从大量临床CT、PET和MRI等影像数据中自动提取和分析高代表性的定量影像特征,从而对病例数据进行病变诊断和预测等工作。Lambin认为实体癌在空间与时间上都是异质的,这使基于有创活检的分子学检测方法受到限制,但恰给医学影像学为无创检测肿瘤内的异质性提供了条件和方法。影像组学通过挖掘影像特征数据对组织特性进行判断,预测组织对治疗的反应和患者的预后。甚至大量精细的定量特征可以用于基因异质性的分析。Moffitt 癌症中心的Gillies教授领衔研发了一个影像组学软件,以肺癌和头颈肿瘤患者 CT 扫描图像生成的400种定量特征的分析数据作为基础,如形状和实质特征等,有可能显著提高区分良性结节与恶性结节的辨别能力。在对 NLST 数据库进行的研究中,该方法预测病人得癌症的准确度可达到 79%。
三、基于大数据的同质化肺结节诊断的影像组学研究
利用以卷积神经网络为基础的深度学习方法对肺部结节检测、定位、分割、以及量化分析,研究基于大数据的同质化肺结节诊断的影像组学研究。虽然目前有学者开始利用深度学习来解决医学图像处理问题,但是仍属于起步阶段。目前对于肺结节病灶的诊断,多数采用传统形态学观测和阅片者的主观经验进行诊断,有较大主观性,阅片医生的差异也较大,存在“水平高低不一的,手工业作坊式”的诊疗模式。由复旦大学附属中山医院呼吸科、上海市呼吸病研究所所长白春学教授团队的研究中,以深度学习中卷积神经网络(CNNs)为基础,综合利用二维和三维CNN模型,对肺部CT图像进行全面的时空关系建模,使用适用于高分辨肺部CT数据特点的网络结构模型和参数训练优化策略,对影像中肺部微小结节进行检测、定位、分割以及识别分析,改变成简便易行,达到国际标准的同质化科学诊断模式。
【温馨提示】:如果您觉得杨达伟医生解读的好,请在下方为他点赞并将文章分享给更多的同道!当然,您也可以在下方留下您的个人见解哦!
1. Bai CX, Choi CM, Chu CM, et al. Evaluation of Pulmonary Nodules: Clinical Practice Consensus Guidelines for Asia. Chest. 2016,150(4):877-893.
2. Thuemmler C, Bai CX. Health 4.0: How Virtualization and Big Data are Revolutionizing Healthcare. 2017, Springer.
3. Le VB, Yang DW, Zhu Y, et al. Quantitative CT analysis of pulmonary nodules for lung adenocarcinoma risk classification based on an exponential weighted grey scale angular density distribution feature. Computer Methods and Programs in Biomedicine, 2018,160:141-151.
4. Le VB, Yang DW, Zhu Y, et al. Automated Classification of Pulmonary Nodules for Lung Adenocarcinomas Risk Evaluation: An Effective CT Analysis by Clustering Density Distribution Algorithm. Journal of Medical Imaging and Health Informatics, 2017,7(8):1753-1758.
5. Yang J, Yu K, Gong YH. Linear spatial pyramid matching using sparse coding for image classification. 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, 2009, pp. 1794-1801.
6. Kim M, Wu G, Shen D. Unsupervised deep learning for hippocampus segmentation in 7.0 tesla MR images. in International Workshop on Machine Learning in Medical Imaging. 2013: Springer.
7. Zhang W, Li R, Deng H, et al. Deep convolutional neural networks for multi-modality isointense infant brain image segmentation. NeuroImage, 2015. 108: 214-224.
8. Suk HI, Lee SW, Shen D, et al. Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis. NeuroImage, 2014. 101: 569-582.
9. Liao S, Gao Y, Oto A, et al. Representation learning: a unified deep learning framework for automatic prostate MR segmentation in International Conference on Medical Image Computing and Computer-Assisted Intervention. 2013: Springer.
10. Pham T, Tran T, Phung D, et al. DeepCare: A Deep Dynamic Memory Model for Predictive Medicine in Pacific-Asia Conference on Knowledge Discovery and Data Mining. 2016: Springer
41本,27种肿瘤,63万字的【肿瘤患者指南丛书】,赶紧扫描或识别下方二维码,即可免费拥有!
百度浏览 来源 : 肿瘤资讯
版权声明:本网站所有注明来源“医微客”的文字、图片和音视频资料,版权均属于医微客所有,非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源:”医微客”。本网所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,转载仅作观点分享,版权归原作者所有。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。 本站拥有对此声明的最终解释权。
发表评论
注册或登后即可发表评论
登录注册
全部评论(0)