- 基于机器学习的集成开发了一种免疫衍生的 lncRNA 特征，用于改善结直肠癌的结果
- 将机器学习应用于临床数据和 CT 图像的骨质疏松分级机会筛查模型
基于机器学习的集成开发了一种免疫衍生的 lncRNA 特征，用于改善结直肠癌的结果结直肠癌（CRC）的特点是异质性强、侵袭性强、患病率和死亡率高。这种死亡率在很大程度上可归因于疾病的进展和治疗不足。因此，对高危 CRC 进行早期干预对于改善临床结果至关重要。长链非编码 RNA（lncRNA）最近参与了 CRC 的免疫调节。然而，免疫相关 lncRNA 的临床意义在很大程度上仍未得到探索。在这项研究中，河南郑州大学第一附属医院介入放射科的研究人员开发了一种基于机器学习的集成程序，用于构建共识免疫相关 lncRNA 签名（IRLS） 。该研究以「Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer」为题，于 2022 年 2 月 10 日发表在《Nature Communications》上。
论文链接：https://www.nature.com/articles/s41467-022-28421-6IRLS
是总生存期的独立风险因素，表现稳定而强大，但仅显示出对无复发生存期的有限预测价值。此外，IRLS 具有明显优于传统临床变量、分子特征和 109
个已发表特征的准确性。此外，高危组对以氟尿嘧啶为基础的辅助化疗敏感，而低危组从贝伐单抗中获益更多。值得注意的是，低风险组表现出大量淋巴细胞浸润、CD8A
和 PD-L1 高表达，以及对 pembrolizumab 的反应。总而言之，IRLS 可以作为一种强大且有前途的工具来改善个体 CRC 患者的临床结果。这项工作可能有助于优化精准治疗，进一步改善结直肠癌患者的临床结果。将机器学习应用于临床数据和 CT 图像的骨质疏松分级机会筛查模型骨质疏松症是一种常见的代谢性骨骼疾病，通常没有明显的症状。许多人直到发生骨质疏松性骨折才被诊断出来。通过双能 X 射线骨密度仪（DXA）测量的骨矿物质密度（BMD）是检测骨质疏松症的金标准。然而，只有有限比例的患有骨质疏松症风险的人接受了 DXA 测试。因此，开发基于 DXA 以外的方法来识别处于风险中的个体的方法至关重要。来自山东大学的研究团队提出了一个三层的分层模型，使用临床数据和覆盖腰椎的 CT 图像而不是通过机器学习的 DXA 数据来检测骨质疏松症。该研究以「A hierarchical opportunistic screening model for osteoporosis using machine learning applied to clinical data and CT images」为题，于 2022 年 2 月 10 日发表在《BMC Bioinformatics》上。采用逻辑回归（LR）、具有径向基函数核的支持向量机、人工神经网络、随机森林、eXtreme Gradient Boosting 和 Stacking 六种机器学习算法作为分类器来评估模型的性能。结果表明，基于 LR 的分层模型在区分骨质疏松症和正常 BMD 个体方面表现出更好的性能，三层的受试者工作特征曲线下面积分别为 0.818、0.838 和 0.962。
论文链接：https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-022-04596-z所提出的模型在骨质疏松症的机会性筛查中显示出巨大的潜力，而无需额外费用。希望该模型能够尽早发现骨质疏松症，从而预防骨质疏松症的严重并发症，例如骨质疏松症骨折。在全球范围内，腰痛作为一个重大的公共卫生问题，在过去 30 年中一直是全球致残的主要原因，给个人、医疗保健和社会带来负担。为了帮助医生和患者准确、高效地评估腰椎间盘退变（IVDD），来自上海大学的研究人员提出了一种从 T2MRI 对 IVDD 进行分割网络和定量方法。该研究以「Deep learning-based high-accuracy quantitation for lumbar intervertebral disc degeneration from MRI」为题，于 2022 年 2 月 11 日发表在《Nature Communications》上。由三个创新模块组成的语义分割网络（BianqueNet）实现了 IVDD 相关区域的高精度分割。采用定量方法计算 IVDD 的信号强度和几何特征。手动测量与自动计算有很好的一致性，但后者具有更好的可重复性和效率。这种全自动 IVDD 定量系统可为临床实践、临床试验和机制研究提供更精确的信息。它还将增加可以监测的患者数量。
论文链接：https://www.nature.com/articles/s41467-022-28387-5胃癌是全球癌症相关死亡的主要原因之一。来自韩国和美国的研究人员正在验证使用基因组测序来预测胃癌患者从化疗或免疫治疗中获益的可能性。研究人员使用机器学习算法
NTriPath 来识别胃癌特异性 32 个基因特征。通过对来自 567 名患者的肿瘤中这 32
个基因的表达水平进行无监督聚类，确定了四种可预测生存的分子亚型。然后，研究人员还构建了一个具有线性内核的支持向量机，以生成一个可预测五年总体生存率的风险评分，并使用三个独立的数据集验证风险评分。总之，研究表明 32 基因特征是一种有前途的预后和预测性生物标志物，可指导胃癌患者的临床护理，应该以前瞻性方式使用大型患者队列进行验证。该研究以「Development and validation of a prognostic and predictive 32-gene signature for gastric cancer」为题，于 2022 年 2 月 9 日发表在《Nature Communications》上。
论文链接：https://www.nature.com/articles/s41467-022-28437-y相关报道：https://medicalxpress.com/news/2022-02-treatment-response-gastric-cancer.html对头部磁共振成像（MRI）检查的需求不断增长，以及全球放射科医师的短缺，导致报告头部磁共振成像扫描所需的时间增加。对于许多神经系统疾病，这种延迟可能会导致患者预后较差和医疗费用膨胀。计算机视觉模型通过在成像时标记异常，可能有助于减少异常检查的报告时间，允许放射科优先考虑有限的资源来首先报告这些扫描。然而，迄今为止，难以获得具有临床代表性的大型标记数据集一直是模型开发的瓶颈。来自英国伦敦国王学院的研究人员提出了一个基于卷积神经网络的深度学习框架，用于检测最小处理的医院级轴向
T2 加权和轴向扩散加权头部 MRI 扫描中的临床相关异常。使用基于 Transformer
的神经放射学报告分类器对模型进行大规模训练，以生成来自两个大型英国医院网络的 70,206
次检查的标记数据集，并展示快速、准确和可解释的分类，在医院之间具有良好的通用性。通过模拟研究，研究表明最佳模型将在两个医院网络中将异常检查的平均报告时间从 28 天减少到 14 天，从 9 天减少到 5 天，证明了在临床分诊环境中使用的可行性。该研究以「Deep learning models for triaging hospital head MRI examinations」为题发布在《Medical Image Analysis》上。
论文链接：https://doi.org/10.1016/j.media.2022.102391相关报道：https://medicalxpress.com/news/2022-02-machine-flags-abnormal-brain-scans.html
