卵巣がんは、定期的な血液検査、尿検査、その他の指標を使用して特定できます。中山大学のLiu Jihong氏のチームが主導し、4つの主要医学部が共同でAI融合モデルを構築

国家衛生健康委員会が発行した「卵巣がんの診断と治療ガイドライン（2022年版）」によると、我が国の卵巣がんの年間罹患率は、女性の生殖器系腫瘍の中で子宮頸がん、子宮体部悪性腫瘍に次ぐ第3位にランクされています。 、女性の生殖器系腫瘍の中で死亡率は第 3 位であり、管内で発生する最初の悪性腫瘍であり、その 5 年生存率は診断時の病期と密接に関係しています。国立がん研究所が発表したデータによると、初期の局所感染期における卵巣がんの5年生存率は92.4%であるのに対し、転移期の5年生存率は31.5%に低下する。

卵巣は骨盤腔の奥にあり、初期段階の卵巣病変には特有の臨床症状がないことが多く、症状が発現する頃には、70% 患者はすでに進行期に入っています。したがって、卵巣がんの早期診断は非常に重要です。

最近、中山大学がんセンター婦人科のLiu Jihong教授のチームは、南方医科大学、華中科学技術大学同済医科大学付属同済病院、浙江省付属産婦人科病院と協力して、大学医学部は、卵巣がんの早期診断における現在の困難と有効な腫瘍マーカーの欠如というジレンマに焦点を当て、卵巣がん診断用の人工知能融合モデルMCFを構築し、定期的な臨床検査データと年齢を入力することで卵巣がんのリスクを計算できるようにした。関連する結果は「The Lancet Digital Health」に掲載されています。

用紙のアドレス:
https://doi.org/10.1016/S2589-7500(23)00245-500245-5/fulltext#%20)
公式アカウントをフォローし、バックグラウンドで「Ovarian Cancer」に返信すると、完全な論文を入手できます

研究のハイライト:

* この研究は私の国の 3 つの病院からデータを収集し、多基準意思決定に基づく分類融合 (MCF) フレームワークを使用してモデルを開発しました。

* このモデルは、CA125 や HE4 などの従来のバイオマーカーよりも正確に卵巣がんを識別します。

* この研究は、低コストで簡単に利用できる日常的な臨床検査が卵巣がんの効果的な診断ツールとなる可能性を示しています

3 つの病院、10,000 人の患者、98 件の関連検査とデータを収集

研究者らは、中山大学がん予防治療センター、華中科技大学同済医科大学付属同済病院、浙江大学医学部付属産婦人科病院から2012年1月1日から4月までデータを収集した。 2021 年 4 月 4 日。10,000 人を超える患者 (卵巣がんおよび子宮付属器の良性病変を持つ女性患者 / 通常の身体検査) の 98 件の臨床検査および臨床的特徴に関するデータ。

その中で、華中科技大学同済医科大学の参加者のデータ（合計3,007人）をトレーニングセットとして選択し、このトレーニングセットに対して5重交差検証を実施しました。 2 つの外部検証セットは、浙江大学医学部女子病院 (合計 5,641 人) と中山大学がんセンター (合計 2,344 人) からのものでした。

MCF: 20 の基本分類モデルの融合

この研究には、私の国の3つの異なる地域から多数の参加者が集められました。 3つのコホートにおける卵巣がん診断時の年齢中央値は51～56歳であった。ただし、大規模なデータにはいくつかの問題も伴います。たとえば、多施設データは異質であり、堅牢な人工知能モデルの構築には役立たず、卵巣がん患者数と対照参加者の数の間の著しい不均衡、単位の不一致、多数の欠損値など、いくつかの欠陥があります。 (内部検証セットは 48.5% です)。

これらのデータの問題に対処し、モデルの堅牢性を確保するには、研究者たちは大量のデータクリーニング作業を実施しました。含む：

※モデル構築時、入力特徴量の候補として臨床検査項目98項目を列挙しました。ユニットの異なる臨床検査項目に対して、ユニットは統一された処理を行います。

* 欠損データは、MICE (連鎖方程式による多変量補完) アルゴリズムを使用して補完されます。

* 機関間のデータ分布の違いを減らすために、データは Box-Cox アルゴリズムを使用して調和され、その後 min-max 正規化によって正規化されました。

※データの不均衡の問題を解決するために、バランス比0.5の適応型総合サンプリング方式を採用しています。

さらに、MCFフレームワークは、以前の研究で研究チームによって提案されたH-MCF（MCFベースの階層的予測スキーム）の変形であり、研究者らは 176 の基本分類モデルを確立し、特徴選択法と機械学習分類器を組み合わせて、5 重交差検証を通じて 176 の分類モデルから上位 20 の基本分類モデルを選択しました。その中で、特徴選択プロセスは、分類器が基本的な分類モデルを生成するために使用する最も重要な 20 の特徴を特定します。

次に研究者らは、複数の基準による意思決定に基づいて各モデルの重みを推定し、最終的にその予測を統合して一貫した分類を実現しました。

モデルのパフォーマンスは従来の方法よりも大幅に向上します

研究者らは、AUC、精度、特異度、感度、陽性的中率、陰性的中率、F1 スコアを通じて MCF モデルの予測精度を定量化しました。結果は以下の図に示されています。

研究者らは、上位 20 の基本分類モデルから 52 の特徴 (51 の臨床検査指標と年齢) を選択しました。そのうち約 90% の特徴は卵巣がんのリスクと有意に関連しており、SHAP (Shapley Additive 説明、評価および技術) に基づいています。モデル予測の解釈など）、一貫した特徴の同様のランキングを構築しました。個々の特徴の予測 AUC は 0.477 (AFP) から 0.886 (CA125) の範囲であり、それらのランキングと概して一致していました。

で、51 の臨床検査指標には、日常的な血液検査、尿検査、生化学検査などが含まれます。例えば、血小板PLT、フィブリノーゲン測定FIB、炎症の程度を評価する指標CRP、血清アルブミン濃度を測定するALB、赤血球沈降速度ESR、尿ph値など。以下の図Aは、検査指標の重要性の順序を示しています。

内部検証セットおよび 2 つの独立した外部検証セットにおける MCF の AUC は、それぞれ 0.949 (95%CI 0.948-0.950)、0.882 (0.880-0.885)、および 0.884 (0.882-0.887) に達しました。

研究者らはまた、卵巣がん検査においてMCFを従来の腫瘍マーカーと比較した。卵巣がんの鑑別における 3 つの検証セットすべてにおいて、MCF は従来の腫瘍マーカーよりも高い AUC、感度、および F1 スコアを示しました。以下に示すように:

進行卵巣がんと対照の分類では、内部検証セットの MCF の AUC は 0.985 で、最初の外部検証セットは 0.972 に達し、2 番目の外部検証セットは 0.943 に達しました。早期卵巣がんと対照の分類では、MCF の AUC は内部検証セットでは 0.879、最初と 2 番目の外部検証セットではそれぞれ 0.823 と 0.810 でした。

研究結果によると、卵巣がん患者、特に早期卵巣がん患者の特定における MCF モデルの AUC と感度は、従来の卵巣がんマーカー CA125、HE4、およびそれらの組み合わせよりも大幅に高くなります。また、指標が欠落している人々でも、卵巣がんのリスクをより正確に予測できます。これは、MCF モデルが優れた安定性と現実世界のデータとの良好な互換性を備えていることを示しています。

さらに、この研究では、腫瘍マーカーに加えて、DDダイマー、血小板数などの他の日常的な臨床検査も卵巣がんの診断と予測に大きく寄与していることもわかり、これらに関連する病態生理学的プロセスが示唆されています。検査指標は卵巣がんの診断と予測に関与している可能性があり、卵巣がんの発症に重要な役割を果たしており、その根底にあるメカニズムはさらなる研究に値します。

AI はプライマリケアの開発を強化します

「2022 年の我が国の医療従事者の発展に関する統計報告」によると、我が国の主要な医療・保健機関は 979,768 に達しており、国内の医療・保健機関の総数の 94.85% を占めていますが、医療処理量では、一次医療および保健機関が治療した人数は 42 億 7,000 万人であり、年間の診断と治療の総量のうち 50.7% にすぎません。私の国には一次医療機関や保健機関の数が比較的多いことがわかりますが、診断と治療の数にはまだかなりの成長の余地があります。

さらに、国立がん研究センターの統計によると、我が国のがん医療サービス市場では、公立三次病院が80%を超えるがん治療業務を請け負っています。これらの三次病院のほとんどは州都にありますが、同時に全国各地から患者を受け入れなければならないため、医師へのプレッシャーは容易に想像できます。

しかし、近年の人工知能の成熟した応用は、医療業界に無限の想像力をもたらし、草の根医療に新しいアイデアをもたらしました。今回構築した卵巣がん診断モデルMCFはオープンソース化されており、対応する臨床検査データと年齢を入力することで卵巣がんのリスク値を計算できるため、一次医療機関でのこのモデルの普及に大きな後押しとなることは間違いない。 。

国務院が以前に発表した「農村医療保健システムの改革のさらなる深化と健全な発展の促進に関する意見」でも、一次医療機関への人工知能支援診断の導入を加速する必要があると述べられている。地方の医療および保健機関における人工知能支援診断の構成アプリケーションの促進。

人工知能を草の根の医療機関に適用すると、医療情報を構造化データに処理し、「データアイランド」とデータ品質の問題を解決し、地域内での医療情報の相互接続と共有の基盤を築くことができるだけでなく、補助相談、補助診断、慢性疾患管理などの機能を提供することで、草の根レベルでの診断と治療のレベルを向上させ、診断の見逃しや誤診の可能性を減らし、より多くの場所で質の高い診断と治療を享受できるようになります。

参考文献:

1.https://www.sysu.edu.cn/news/info/2331/1091611.htm