大数据对肿瘤临床研究有非常重要的意义，骨肿瘤病理亚型众多，且发病率均不高，因此导致单一医疗机构的病例数据量比较少，目前国内一些大型的骨肿瘤诊治中心也建立了一定规模的数据库，如积水潭医院的骨肿瘤数据库[1]，然而全国范围的骨肿瘤登记系统及大数据库仍然是空缺。 本期刊出的柳昌全等[2]回顾性分析 1995 年至 2014 年，来自 SEER 数据库 1910 例四肢骨肉瘤患者，通过单因素 Log-rank 分析和多因素 COX 分析，找出存在统计学差异的预后因素，使用相应的预后因素构建列线图，进而对患者 1、3、5 年的总生存期 ( overall survival，OS ) 和癌症特异性生存期 ( cancer-specific survival，CSS ) 进行预测。然后对列线图进行内外部验证，并且通过使用 C 指数为量化指标来计算模型的准确性，从而达到开发预后列线图来预测四肢骨肉瘤患者的生存率的目标。研究发现骨肉瘤确诊年龄、分期、手术状态、大小和病理类型与患者的 OS 和 CSS 显著相关，并基于这些预后指标，构建了能够较准确预测四肢骨肿瘤患者 OS 和 CSS 的列线图，进而可以帮助临床医生较精确地预测单个四肢骨肉瘤患者的生存概率。根据模型得出的结果，医生可以对患者进行分层，制订特异性的治疗计划，达到提高治疗效果和改善患者预后的目的。该项研究使用 SEER 数据库骨肿瘤患者的相关数据建模预测患者的预后并具有较高的准确性，对于骨肉瘤的临床评估有积极的作用。由于数据来源和建模方式的有限性，无法全面综合的对骨肉瘤患者进行预后评估。 利用大数据库，采用机器学习的方法进行多因素分析，在研究中展现了优势，在骨肿瘤领域近年来也得到了应用。Song 等[3]从 SEER 数据库中提取 PNETs 病例数据，在机器学习之前进行了统计描述，多元生存分析和预处理。在 SEER 数据库中，将具有最佳预测准确性的模型与 AJCC 分期系统进行比较。研究发现机器学习开发的模型在 PNET 的生存预测中表现良好，并且 DL 模型在 SEER 数据中比 AJCC 分期系统具有更好的准确性和特异性。Ryu 等[4]使用监视，流行病学和最终结果( SEER ) 数据库来开发和验证深度生存神经网络机器学习 ( ML ) 算法，以预测脊柱盆腔软骨肉瘤诊断后的生存率。结果证实人工神经网络 ML 算法是分析人群水平数据，并评估手术切除和放射治疗在脊柱盆腔软骨肉瘤中作用和结果的有效手段。 Mishra 等[5]则使用卷积神经网络进行骨肉瘤组织的病理学分析并发现使用神经网络可以使分类的平均准确率更高，达到 92%。研究将其体系结构与三种现有的经过验证的 CNN 体 系结构进行图像分类：AlexNet，LeNet 和 VGGNet，还提供了一个管道来计算给定整个病理图像中的坏死百分比。研究表明神经网络的使用可以确保骨肉瘤分类的高准确性和高效率。 在影像学领域，深度学习的应用更加广泛成熟。X 线片、CT、MRI、核医学影像等深度学习自动识别模型已经进入深度开发阶段，其中部分模型已进入临床试验阶段，而对于骨肿瘤来说，图像分割技术也至关重要。Arunachalam 等[6]使用机器学习和深度学习模型从骨肉瘤的影像评估可行和坏死的肿瘤。这项研究，利用组织病理学数字化技术和自动化学习技 术来评估骨肉瘤中的生存性和坏死性肿瘤。项目组训练了 13 种机器学习模型，并根据报告的准确性选择了性能最高的模型，并开发了深度学习架构，在相同的数据集上对其进行了训练，计算了接收者 - 操作者的特征，以区分肿瘤中的非肿瘤，然后有条件地区分出存活肿瘤中的坏死细胞，同时使用训练有素的模型来确定从测试整个幻灯片图像生成的图像平铺上的感兴趣区域，分类输出可视化为肿瘤预测图，在影像中显示了可行和坏死的肿瘤范围。研究发现该模型表现出色，为从原始组织学图像到肿瘤预测图生成的完整肿瘤评估流程奠定了基础。 Zhang 等[7]使用多个监督残留网络对 CT 图像中的骨肉瘤进行分割，结果表明，MSRN 的骰子相似度系数 ( DSC ) 为 89.22%，灵敏度为 88.74%，F1 度量值为 0.9305，更为准确的骨肉瘤图像分割可以帮助医生制定合理的治疗方案，从而提高治愈率。 可见，对比传统的统计学方法，人工智能尤其是深度学习在疾病诊断预后方面具有独特的优势，可以更高效、高准确率的进行多因素分析。依靠飞速发展的计算机算力，可以借助人工智能提高临床诊疗的效率、准确率并对疾病有更深入的了解。对于骨肿瘤来说，建立详细、高度信息化的专病数据库非常重要，迫切希望能够建立全国范围的这样的数据库，从而为临床提供更多有用的指导性信息。 [1] 牛晓辉, 李远, 徐海荣. 20 年磨一剑——记北京积水潭医院骨与软组织肿瘤数据库的建立[J]. 中国骨与关节杂志, 2015, 4(9):654-658. [2] 柳昌全, 赵广雷, 陈康明, 等. 基于 SEER 数据库的四肢骨肉瘤预后相关列线图的构建[J]. 中国骨与关节杂志, 2020, 9(8):563-571. [3] Song YY, Gao SW, Tan WL, et al. Multiple machine learnings revealed similar predictive accuracy for prognosis of PNETs from the surveillance, epidemiology, and end result database[J]. J Cancer, 2018, 9(21):3971-3978. DOI: 10.7150/jca.26649. [4] Ryu SM, Seo SW, Lee SH. Novel prognostication of patients with spinal and pelvic chondrosarcoma using deep survival neural networks[J].BMC Med Inform Decis Mak, 2020, 20(1):3. DOI: 10.1186/s12911-019-1008-4. [5] Mishra R, Daescu O, Leavey P, et al. Convolutional neural network for histopathological analysis of osteosarcoma[J]. J Comput Biol, 2018,25(3):313-325. DOI: 10.1089/cmb.2017.0153. [6] Arunachalam HB, Mishra R, Daescu O, et al. Viable and necrotic tumor assessment from whole slide images of osteosarcoma using machinelearning and deep-learning models[J]. PLoS One, 2019, 14(4):e0210706. DOI: 10.1371/journal.pone.0210706. [7] Zhang R, Huang L, Xia W, et al. Multiple supervised residual network for osteosarcoma segmentation in CT images[J]. Comput Med Imaging Graph, 2018, 63:1-8. DOI: 10.1016/j.compmedimag.2018.01.006. 大数据对肿瘤临床研究有非常重要的意义，骨肿瘤病理亚型众多，且发病率均不高，因此导致单一医疗机构的病例数据量比较少，目前国内一些大型的骨肿瘤诊治中心也建立了一定规模的数据库，如积水潭医院的骨肿瘤数据库[1]，然而全国范围的骨肿瘤登记系统及大数据库仍然是空缺。本期刊出的柳昌全等[2]回顾性分析 1995 年至 2014 年，来自 SEER 数据库 1910 例四肢骨肉瘤患者，通过单因素 Log-rank 分析和多因素 COX 分析，找出存在统计学差异的预后因素，使用相应的预后因素构建列线图，进而对患者 1、3、5 年的总生存期 ( overall survival，OS ) 和癌症特异性生存期 ( cancer-specific survival，CSS ) 进行预测。然后对列线图进行内外部验证，并且通过使用 C 指数为量化指标来计算模型的准确性，从而达到开发预后列线图来预测四肢骨肉瘤患者的生存率的目标。研究发现骨肉瘤确诊年龄、分期、手术状态、大小和病理类型与患者的 OS 和 CSS 显著相关，并基于这些预后指标，构建了能够较准确预测四肢骨肿瘤患者 OS 和 CSS 的列线图，进而可以帮助临床医生较精确地预测单个四肢骨肉瘤患者的生存概率。根据模型得出的结果，医生可以对患者进行分层，制订特异性的治疗计划，达到提高治疗效果和改善患者预后的目的。该项研究使用 SEER 数据库骨肿瘤患者的相关数据建模预测患者的预后并具有较高的准确性，对于骨肉瘤的临床评估有积极的作用。由于数据来源和建模方式的有限性，无法全面综合的对骨肉瘤患者进行预后评估。利用大数据库，采用机器学习的方法进行多因素分析，在研究中展现了优势，在骨肿瘤领域近年来也得到了应用。Song 等[3]从 SEER 数据库中提取 PNETs 病例数据，在机器学习之前进行了统计描述，多元生存分析和预处理。在 SEER 数据库中，将具有最佳预测准确性的模型与 AJCC 分期系统进行比较。研究发现机器学习开发的模型在 PNET 的生存预测中表现良好，并且 DL 模型在 SEER 数据中比 AJCC 分期系统具有更好的准确性和特异性。Ryu 等[4]使用监视，流行病学和最终结果( SEER ) 数据库来开发和验证深度生存神经网络机器学习 ( ML ) 算法，以预测脊柱盆腔软骨肉瘤诊断后的生存率。结果证实人工神经网络 ML 算法是分析人群水平数据，并评估手术切除和放射治疗在脊柱盆腔软骨肉瘤中作用和结果的有效手段。Mishra 等[5]则使用卷积神经网络进行骨肉瘤组织的病理学分析并发现使用神经网络可以使分类的平均准确率更高，达到 92%。研究将其体系结构与三种现有的经过验证的 CNN 体 系结构进行图像分类：AlexNet，LeNet 和 VGGNet，还提供了一个管道来计算给定整个病理图像中的坏死百分比。研究表明神经网络的使用可以确保骨肉瘤分类的高准确性和高效率。在影像学领域，深度学习的应用更加广泛成熟。X 线片、CT、MRI、核医学影像等深度学习自动识别模型已经进入深度开发阶段，其中部分模型已进入临床试验阶段，而对于骨肿瘤来说，图像分割技术也至关重要。Arunachalam 等[6]使用机器学习和深度学习模型从骨肉瘤的影像评估可行和坏死的肿瘤。这项研究，利用组织病理学数字化技术和自动化学习技 术来评估骨肉瘤中的生存性和坏死性肿瘤。项目组训练了 13 种机器学习模型，并根据报告的准确性选择了性能最高的模型，并开发了深度学习架构，在相同的数据集上对其进行了训练，计算了接收者 - 操作者的特征，以区分肿瘤中的非肿瘤，然后有条件地区分出存活肿瘤中的坏死细胞，同时使用训练有素的模型来确定从测试整个幻灯片图像生成的图像平铺上的感兴趣区域，分类输出可视化为肿瘤预测图，在影像中显示了可行和坏死的肿瘤范围。研究发现该模型表现出色，为从原始组织学图像到肿瘤预测图生成的完整肿瘤评估流程奠定了基础。Zhang 等[7]使用多个监督残留网络对 CT 图像中的骨肉瘤进行分割，结果表明，MSRN 的骰子相似度系数 ( DSC ) 为 89.22%，灵敏度为 88.74%，F1 度量值为 0.9305，更为准确的骨肉瘤图像分割可以帮助医生制定合理的治疗方案，从而提高治愈率。可见，对比传统的统计学方法，人工智能尤其是深度学习在疾病诊断预后方面具有独特的优势，可以更高效、高准确率的进行多因素分析。依靠飞速发展的计算机算力，可以借助人工智能提高临床诊疗的效率、准确率并对疾病有更深入的了解。对于骨肿瘤来说，建立详细、高度信息化的专病数据库非常重要，迫切希望能够建立全国范围的这样的数据库，从而为临床提供更多有用的指导性信息。参 考 文 献[1] 牛晓辉, 李远, 徐海荣. 20 年磨一剑——记北京积水潭医院骨与软组织肿瘤数据库的建立[J]. 中国骨与关节杂志, 2015, 4(9):654-658.[2] 柳昌全, 赵广雷, 陈康明, 等. 基于 SEER 数据库的四肢骨肉瘤预后相关列线图的构建[J]. 中国骨与关节杂志, 2020, 9(8):563-571.[3] Song YY, Gao SW, Tan WL, et al. Multiple machine learnings revealed similar predictive accuracy for prognosis of PNETs from the surveillance, epidemiology, and end result database[J]. J Cancer, 2018, 9(21):3971-3978. DOI: 10.7150/jca.26649.[4] Ryu SM, Seo SW, Lee SH. Novel prognostication of patients with spinal and pelvic chondrosarcoma using deep survival neural networks[J].BMC Med Inform Decis Mak, 2020, 20(1):3. DOI: 10.1186/s12911-019-1008-4.[5] Mishra R, Daescu O, Leavey P, et al. Convolutional neural network for histopathological analysis of osteosarcoma[J]. J Comput Biol, 2018,25(3):313-325. DOI: 10.1089/cmb.2017.0153.[6] Arunachalam HB, Mishra R, Daescu O, et al. Viable and necrotic tumor assessment from whole slide images of osteosarcoma using machinelearning and deep-learning models[J]. PLoS One, 2019, 14(4):e0210706. DOI: 10.1371/journal.pone.0210706.[7] Zhang R, Huang L, Xia W, et al. Multiple supervised residual network for osteosarcoma segmentation in CT images[J]. Comput Med Imaging Graph, 2018, 63:1-8. DOI: 10.1016/j.compmedimag.2018.01.006.

文章来源：临床研究 网址: http://lcyj.400nongye.com/lunwen/itemid-4355.shtml

上一篇： 暂无
下一篇： 材料科学论文_绝缘体上掺铒铌酸锂放大器建模与实验研究