人工智能预测非肌肉侵入性膀癌的复发:系统性审查与研究的优点和弱点
Saram Abbas1, Rishad Shafik1, Naeem Soomro2
1School of Engineering, Newcastle University, Newcastle Upon Tyne, United Kingdom.
Frontiers in oncology
|January 22, 2025
概括
机器学习 (ML) 和人工智能 (AI) 显示出预测非肌肉侵入性膀癌 (NMIBC) 复发的前景,优于传统方法. 需要进行进一步的研究,以提高模型的概括性和临床整合,以便更好地管理患者.
科学领域:
- 瘤性泌尿病学 泌尿病学
- 医疗人工智能 医疗人工智能
- 精确瘤学 精确瘤学
背景情况:
- 非肌肉侵入性膀癌 (NMIBC) 的复发率很高 (70-80%),导致患者负担很大,管理成本很高.
- 目前的NMIBC复发预测工具经常高估风险,缺乏准确性.
- 机器学习 (ML) 和人工智能 (AI) 通过整合分子和临床数据,提供了更高的预测精度.
研究的目的:
- 批判性地审查基于ML的框架,用于预测NMIBC复发.
- 分析现有的ML模型的统计稳定性和算法有效性.
- 在NMIBC复发预测中识别ML应用的优点,弱点和局限性.
主要方法:
- 系统的文献搜索,重点是用于NMIBC复发预测的ML框架.
- 根据数据模式 (放射学,临床,遗传学,基因组学) 和ML模型类型 (神经网络,深度学习,随机森林) 分类研究.
- 分析研究的统计稳定性,算法有效性,性能指标,可概括性,可解释性和成本效益.
主要成果:
- 机器学习算法显示出巨大的潜力,神经网络达到65-97.5%的准确性,特别是在多模式数据集.
- 多模式数据集成始终优于单模式方法.
- 挑战包括由于数据集小而有限的概括性和先进模型的"黑子"性质;像SHAP这样的可解释性方法显示出希望,但需要改进.
结论:
- 机器学习和人工智能对改善NMIBC复发预测和推进精确瘤学具有重大承诺.
- 优化多式联运数据利用和提高模型可解释性对于临床采用至关重要.
- 需要进一步的研究和强大的数据集,才能将ML的进步转化为切实的患者益处.
