当前位置：首页 > news >正文

NPJ系列｜放射组学与多组学数据整合：推进精准肿瘤学的新模式｜文献速递·24-08-25

news 来源：原创 2024/9/20 1:08:58

小罗碎碎念

从上次分享的那篇Nature Methods的专刊开始，我不再是只关注文献了，也开始关注评论文章了，所以这一期推文准备了两篇综述，两篇评论文章。

今天的重点还是落在影像组学与其他数据的结合上，这部分尚未得到重大突破，值得持续关注；另外第四篇观点文章，呼吁我们在评估模型性能时不要局限于传统的指标（如AUC、F1-score等），而是要回归临床。

另外还到了一个比较有意思的问题——介绍了这么多病理AI的综述类文献，里面代码开源的项目有多少？

（我这么说，就表明我会去整理，哈哈。主要是大家给模型取名字都奇奇怪怪的，关键词也不好设置，就当积累基本功了，有什么更快捷的方法，欢迎评论区讨论！！）

一、人工智能在胶质瘤病理图像分析中的研究进展与应用前景

一作&通讯

角色	姓名	单位名称（英文）	单位名称（中文）
第一作者	Jan-Philipp Redlich	Fraunhofer Institute for Digital Medicine MEVIS	德国弗劳恩霍夫数字医学研究所MEVIS
通讯作者	André Homeyer	Fraunhofer Institute for Digital Medicine MEVIS	德国弗劳恩霍夫数字医学研究所MEVIS

文献概述

这篇文章综述了人工智能在分析胶质瘤组织病理图像中的应用现状，包括亚型分类、分级、分子标记预测和生存预测等诊断任务，并指出了当前研究的局限性和未来发展方向。

文章首先指出，近年来，胶质瘤的诊断变得越来越复杂，而AI在分析胶质瘤组织病理图像方面提供了支持诊断和预测结果的新机会。综述检查了83项公开可用的研究，这些研究提出了基于AI的方法来处理人类胶质瘤的全切片病理图像，涵盖了亚型分类、分级、分子标记预测和生存预测等诊断任务。

研究发现，当前研究的重点是评估成人型弥漫性胶质瘤的苏木精-伊红染色组织切片。大多数研究（52/83）基于癌症基因组图谱（The Cancer Genome Atlas, TCGA）公开的胶质母细胞瘤和低级别胶质瘤数据集，而其他少数研究单独或额外使用这些数据集。目前的方法主要依赖于卷积神经网络（63/83）来分析20倍放大的组织（35/83）。研究的一个新领域是整合临床数据、组学数据或磁共振成像（MRI）。

尽管基于AI的方法取得了有希望的结果，但尚未在真实的临床环境中使用。未来的工作应该专注于在更大、多中心的数据集上独立验证方法，并提供高质量和最新的临床和分子病理注释，以证明常规应用的可行性。

胶质瘤约占所有原发性非恶性和恶性中枢神经系统肿瘤的四分之一，并且是所有恶性原发性中枢神经系统肿瘤的81%。文章还讨论了胶质瘤的分类，包括局限型和弥漫型胶质瘤，以及它们的特征和治疗方法。当前国际胶质瘤诊断标准是2021年发布的第五版《WHO中枢神经系统肿瘤分类》，该标准基于对CNS肿瘤认识的进展，结合了组织病理学特征和分子变化。

文章还详细介绍了AI和基于AI的全切片图像（WSIs）分析的关键概念，包括机器学习（ML）、深度学习（DL）、训练和测试、性能指标、特征、弱监督学习（WSL）和多模态融合等。综述根据诊断任务和WSI处理的方法学方面检查了研究，并讨论了局限性和未来的发展方向。

最后，文章强调了未来研究需要关注的方向，包括独立验证方法、扩大数据集、更新临床和分子病理注释，以及探索新的AI应用领域。

重点关注

Fig. 2 展示了使用人工智能（AI）进行全切片图像（WSIs）分析的典型工作流程。

在这个流程中，大多数方法将 WSIs 分割成较小的图像块（称为 “Tiling”）。然后，使用 AI 方法分别处理这些图像块，并将它们聚合起来以获得整个 WSI 的预测结果。AI 方法通常基于弱监督学习（weakly-supervised learning）或基于注意力机制的多重实例学习（attention-based multiple instance learning），这两种方法都详细描述了各自的细节。

具体来说，这个流程包括以下几个步骤：

图像分割（Tiling）：将全切片图像分割成小块，以便于处理和分析。
单独处理：对每个图像块使用 AI 方法进行单独分析。
结果聚合：将各个图像块的分析结果进行聚合，以形成对整个 WSI 的综合预测。
弱监督学习：一种学习范式，它不需要大量的精确标注数据，而是利用图像级别的标签来训练模型。
多重实例学习：一种学习范式，它考虑了图像块之间的相互关系，并通过注意力机制来提高学习效率和预测准确性。

这种基于 AI 的分析方法在处理大规模的组织病理图像时尤其有用，因为它们可以揭示疾病的微观模式和特征，从而辅助病理学家进行更准确的诊断和预后评估。

二、数字病理学中人工智能诊断准确性的系统评价与元分析

一作&通讯

文献概述

这篇文章系统评价和元分析了数字病理学中人工智能的诊断准确性，发现AI展现出高敏感性和特异性，但需要更严格的评估以确保其在临床实践中的应用。

研究背景：随着深度学习技术的发展，AI在医疗领域的应用越来越广泛，特别是在数字病理学方面。数字病理学通过扫描玻片制作高分辨率的全切片图像（WSIs），为AI提供了应用机会。
研究目的：评估AI在数字病理图像中的诊断准确性，确保在临床实践中的应用前具有可靠的诊断性能。
研究方法：系统回顾和元分析，包括使用AI对任何疾病全切片图像（WSIs）的诊断准确性研究。研究使用PubMed、EMBASE和CENTRAL数据库进行文献检索，使用QUADAS-2工具评估偏差风险和适用性问题。
研究结果：从2976项研究中筛选出100项纳入回顾，其中48项纳入元分析。这些研究涵盖了多个国家，包括超过152,000个WSIs，代表许多疾病。研究报告显示平均敏感性为96.3%，平均特异性为93.3%。但存在研究设计和偏差风险或适用性问题的异质性。
讨论：AI在数字病理学中的应用前景广阔，尤其是在癌症研究、临床试验和治疗靶向等方面。然而，将AI技术转化为常规临床使用仍面临挑战，包括证据质量、偏差风险和稳健性问题。
结论：AI在WSIs中的诊断准确性高，但需要更严格的性能评估来提高研究的质量和证据水平。

文章强调了AI在数字病理学中的潜力和重要性，同时也指出了当前研究中存在的问题和挑战，呼吁进行更高质量的研究设计和透明度，以确保AI工具在临床实践中的安全性和有效性。

重点关注

Fig. 1 展示了一个低倍镜下的肝脏活检标本的全切片图像（WSI）。这些是高分辨率的数字病理图像，病理学家可以在计算机上查看这些图像来做出诊断评估。

分析这幅图像时，我们可以看到以下几个关键点：

高分辨率：WSI 提供了足够的细节，使得病理学家能够观察到细胞和组织结构的微小变化。
数字病理学：与传统的光学显微镜不同，数字病理学允许病理学家在计算机屏幕上查看和分析图像，这有助于进行远程诊断和协作。
诊断评估：病理学家利用这些图像来识别疾病特征，如肿瘤、炎症或其他病理变化，并据此做出诊断。
教育和研究：这样的图像也常用于医学教育和研究，帮助学生和研究人员学习病理学特征。

三、放射组学与多组学数据整合：推进精准肿瘤学的新模式

一作&通讯

角色	作者名	单位名称（英文）	单位名称（中文）
第一作者	Hania Paverd	Cambridge University Hospitals NHS Foundation Trust	剑桥大学医院NHS基金会信托
		Department of Oncology, University of Cambridge	剑桥大学肿瘤系
		Cancer Research UK Cambridge Centre, University of Cambridge	英国癌症研究剑桥中心
通讯作者	Mireia Crispin-Ortuzar	Department of Oncology, University of Cambridge	剑桥大学肿瘤系
		Cancer Research UK Cambridge Centre, University of Cambridge	英国癌症研究剑桥中心

文献概述

这篇文章探讨了放射学成像与其他数据类型整合在精准肿瘤学中的潜力、挑战与进展。

文章探讨了将放射学成像与其他数据类型整合的潜力，这是相较于其他多组学数据融合而言，一个关键但发展不足的领域。

放射学图像提供了癌症的全面三维视图，能够捕捉到活检或其他数据模式可能遗漏的特征。文章讨论了将医学成像整合到数据整合模型中的复杂性和挑战，并提出了不同类别的成像组学整合，讨论了近期的进展，并强调了在不同尺度上整合空间数据所带来的机遇。

现代机器学习的出现彻底改变了精准肿瘤学的预测建模格局。尤其是医学成像领域的应用激增，取得了显著的成功。与此同时，由于跨越从基因的分子尺度到医学扫描的宏观尺度的数据集的发展，人们对数据整合的兴趣日益增加。这些数据集提供了肿瘤及其周围环境的整体视图，有潜力实现为个体患者量身定制的疗法。

然而，整合放射学成像的应用仍然相对较少发展。相反，大部分关注集中在多组学分子特征的融合上，这已经提供了非常丰富、高维度的信息。多组学数据集还具有共享相同亚细胞物理尺度的优势。有时，得益于数据的可用性，研究已经扩展到包括数字病理学，引入了新的尺度——细胞及其微环境——并引入了执行二维空间分析的需要。

文章还讨论了数据整合的不同类型，包括数据融合、数据转换和数据聚合，并探讨了各自的目标和挑战。数据融合是指在单一模型中结合不同来源的数据，目的是比单独使用每个数据源时更准确地预测临床终点，例如生存或治疗反应。数据转换涉及使用联合预测模型中的所有其他数据类型来预测给定数据类型的信息。数据聚合是指系统地收集、准备和呈现不同数据集进行后续分析的过程。

此外，文章还进行了文献回顾，以识别包括医学成像在内的预测性数据融合研究，并讨论了机器学习与深度学习在数据融合中的应用，以及与计算病理学和基因组学的整合情况。

最后，文章讨论了数据整合在精准肿瘤学中的挑战和机遇，并展望了该领域的未来发展。作者指出，尽管该领域仍处于起步阶段，但通过利用最新的AI研究进展，有潜力实现更深入的生物信息学洞察和临床应用。

四、人工智能在组织病理学诊断中的错误：超越技术性能的临床影响评估

一作&通讯

作者角色	姓名	单位名称（英文）	单位名称（中文）
第一作者	Harriet Evans	Histopathology Department, University Hospitals Coventry and Warwickshire NHS Trust, Coventry, UK	英国考文垂和沃里克郡大学医院NHS信托组织病理学系
通讯作者	David Snead	Department of Computer Science, University of Warwick, Coventry, UK	英国华威大学计算机科学系

文献概述

这篇文章探讨了人工智能在组织病理学诊断中的错误及其对患者影响的重要性，并提出了评估这些错误应超越技术性能指标，更应关注病理学和临床后果。

随着越来越多的AI工具进入临床领域，尤其是在组织病理学和整个医学领域，它们将为诊断专业带来诸多好处，如提高诊断的准确性和效率。然而，由于没有任何AI工具是完美无缺的，它们的使用将不可避免地引入新的错误类型。

文章指出，目前对AI工具错误的报告主要基于技术性能指标，如敏感性、特异性和接收者操作特征曲线下面积等，这些指标虽然对工具的安全评估至关重要，但并未充分解释这些错误如何转化为对患者的临床影响。作者建议，应该从病理学和临床角度评估和报告AI工具的错误，并举例说明了在人类病理学家错误研究中是如何做到这一点的。

文章还讨论了如何通过研究设计、指导方针和法规来实现这一方法。作者强调了在AI工具开发和临床部署中始终将患者安全放在首位的重要性，并呼吁更广泛地考虑组织病理学和其他诊断专业中AI工具错误的评估。

此外，文章还提到了在放射学领域，AI工具的评估可以采用多层次的方法，包括技术效能、潜在的临床效能、诊断准确性效能、诊断思维效能、治疗效能、患者结果效能和社会效能。作者建议，为了提高AI工具的安全性和透明度，并促进其在临床实践中的应用，应该将错误报告扩展到临床影响层面。

最后，文章强调了在AI工具开发过程中考虑错误对患者影响的重要性，并提出了未来研究方向，包括在文献中报告错误时考虑预期的临床影响、制定支持和标准化这一过程的指导方针、进行前瞻性和随机对照试验，以及基于错误的临床结果来训练机器学习模型。

重点关注

表1提供了一个分层模型，用于评估人工智能（AI）软件在诊断成像过程中的效能。

这个模型是由van Leeuwen等人和Fryback和Thornbury的工作改编而来。模型分为六个层次，每个层次考虑了AI软件的不同方面：

Level 1t: Technical efficacy - 考虑软件的技术可用性，例如可重复性和错误率。这是评估AI软件能否在技术层面上可靠运行的基础。
Level 1c: Potential clinical efficacy - 评估软件与其他诊断方法（如生物标志物研究）的相关性，即软件的潜在临床效能。
Level 2: Diagnostic accuracy efficacy - 评估软件独立运行时的诊断准确性，包括敏感性、特异性和接收者操作特征曲线下面积（AU-ROC）。
Level 3: Diagnostic thinking efficacy - 考虑软件对诊断人员的影响，即在使用和不使用AI时诊断人员的表现差异，以及是否改变了诊断判断。
Level 4: Therapeutic efficacy - 评估软件对患者管理决策的影响，包括对治疗和后续跟踪的效果。
Level 5: Patient outcome efficacy - 评估软件对患者结果的影响，如生活质量、发病率和生存率。
Level 6: Societal efficacy - 考虑软件对社会的影响，例如经济效应。