一例记录在案的胰腺癌病例可以追溯到18世纪。从那时起，研究人员开始了一段漫长而充满挑战的旅程，以了解这种难以捉摸且致命的疾病。迄今为止，没有比早期干预更好的癌症治疗方法。不幸的是，位于腹部深处的胰腺特别难以早期发现。

麻省理工学院计算机科学与人工智能实验室(CSAIL)的科学家们，以及贝斯以色列女祭司医疗中心(BIDMC)放射肿瘤科的科学家Limor Appelbaum，都渴望更好地识别潜在的高风险患者。他们着手开发两种机器学习模型，用于早期检测胰腺导管腺癌(PDAC)，这是最常见的癌症形式。为了访问一个广泛而多样的数据库，该团队使用来自美国各地不同机构的电子健康记录数据，与一家联合网络公司同步。这个庞大的数据池有助于确保模型的可靠性和泛化性，使它们适用于广泛的人口、地理位置和人口统计组。

这两种模型——“PRISM”神经网络和逻辑回归模型(一种概率统计技术)——优于当前的方法。该团队的比较表明，虽然标准筛选标准使用5倍高的相对风险阈值识别出大约10%的PDAC病例，但Prism可以在相同的阈值下检测出35%的PDAC病例。

使用人工智能来检测癌症风险并不是一个新现象——算法分析乳房x光片、肺癌CT扫描，并协助分析巴氏涂片检查和HPV检测，仅举几例。“PRISM模型因其在超过500万患者的广泛数据库中的开发和验证而脱颖而出，超过了该领域大多数先前研究的规模，”麻省理工学院电子工程和计算机科学(EECS)博士生Kai Jia说，他是麻省理工学院CSAIL附属机构，也是电子生物医学开放获取论文的第一作者概述了这项新工作。“该模型使用常规临床和实验室数据进行预测，与其他PDAC模型相比，美国人口的多样性是一个重大进步，这些模型通常局限于特定的地理区域，比如美国的一些医疗中心。此外，在训练过程中使用独特的正则化技术增强了模型的通用性和可解释性。”

“这份报告概述了一种强有力的方法，利用大数据和人工智能算法来改进我们识别癌症风险概况的方法，”哈佛医学院教授、癌症中心主任、BIDMC血液学和血液学恶性肿瘤主任大卫·阿维根(David Avigan)说，他没有参与这项研究。“这种方法可能会导致新的策略来识别恶性肿瘤高风险患者，这些患者可能受益于早期干预的集中筛查。”以上翻译结果来自有道神经网络翻译（YNMT）· 通用场景

棱镜的角度

PRISM的开发之旅始于六年前，受到当前诊断实践局限性的第一手经验的推动。“大约80- 85%的胰腺癌患者被诊断为晚期，治疗不再是一种选择，”资深作者Appelbaum说，他也是哈佛医学院的讲师和放射肿瘤学家。“这种临床挫折激发了我们深入研究电子健康记录(EHRs)中可用数据的想法。”

CSAIL小组与Appelbaum的密切合作使得更好地理解问题的医学和机器学习方面的结合成为可能，最终导致一个更准确和透明的模型。她补充说:“假设这些记录包含隐藏的线索——细微的迹象和症状，可以作为胰腺癌的早期预警信号。”“这指导我们在开发这些模型时使用联合电子病历网络，为在医疗保健中部署风险预测工具提供了一种可扩展的方法。”

PrismNN和PrismLR模型都分析电子病历数据，包括患者人口统计、诊断、药物和实验室结果，以评估PDAC风险。PrismNN使用人工神经网络来检测数据特征中的复杂模式，如年龄、病史和实验室结果，从而产生PDAC可能性的风险评分。PrismLR使用逻辑回归进行更简单的分析，基于这些特征生成PDAC的概率分数。总之，这些模型提供了从相同的电子病历数据预测PDAC风险的不同方法的全面评估。

该团队指出，获得医生信任的最重要的一点是更好地理解模型是如何工作的，这在该领域被称为可解释性。科学家们指出，虽然逻辑回归模型本身更容易解释，但最近的进展使深度神经网络在某种程度上更加透明。这有助于团队将来自单个患者的电子病历的数千个潜在预测特征细化到大约85个关键指标。这些指标，包括患者年龄、糖尿病诊断和医生就诊频率的增加，都是由模型自动发现的，但与医生对胰腺癌相关风险因素的理解相匹配。

前进的道路

尽管PRISM模型很有前景，但与所有研究一样，有些部分仍在进行中。仅美国的数据是目前模型的基础，需要进行测试和调整以适应全球使用。研究小组指出，未来的道路包括扩大该模型对国际数据集的适用性，并整合其他生物标志物以进行更精确的风险评估。

我们的后续目标是促进这些模型在常规卫生保健环境中的实施。我们的愿景是让这些模型在医疗保健系统的背景下无缝运行，自动分析患者数据，并在不增加医生工作量的情况下提醒他们注意高风险病例。”“与EHR系统集成的机器学习模型可以使医生能够对高风险患者进行早期警报，从而有可能在症状出现之前进行干预。我们渴望将我们的技术应用到现实世界中，帮助所有人享受更长寿、更健康的生活。”

贾与Applebaum、麻省理工学院EECS教授和CSAIL首席研究员Martin Rinard共同撰写了这篇论文，他们都是这篇论文的资深作者。这篇论文的研究人员在麻省理工学院CSAIL期间得到了国防高级研究计划局、波音公司、国家科学基金会和阿诺实验室的部分支持。TriNetX为该项目提供了资源，预防癌症基金会也支持该团队。

作者：瑞秋·戈登|麻省理工学院CSAIL

链接：https://news.mit.edu/2024/new-hope-early-pancreatic-cancer-intervention-ai-based-risk-prediction-0118

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：15264513609，邮箱：1027830374@qq.com