人工智能用于分散型大B细胞淋巴瘤的风险分层:对分类模型和预测性能的系统审查
Dragoș-Claudiu Popescu1,2, Mihnea-Alexandru Găman3,4
1Faculty of Medicine, "Carol Davila" University of Medicine and Pharmacy, 050474 Bucharest, Romania.
Medical sciences (Basel, Switzerland)
|December 24, 2025
概括
人工智能 (AI) 和机器学习 (ML) 提高了扩散性大B细胞淋巴瘤 (DLBCL) 的预后预测,超出了传统方法. 这些AI/ML方法为个性化患者护理提供了更好的风险分层.
科学领域:
- 血液学 血液学 血液学
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 是一种异质的癌症,结果各不相同.
- 目前的预测工具,如国际预测指数 (IPI),缺乏个体患者的准确性.
- 人工智能 (AI),机器学习 (ML) 和深度学习 (DL) 提供了改进DLBCL预后模型的潜力.
研究的目的:
- 系统地审查AI/ML应用在DLBCL结果预测和风险分层中的文献.
- 根据数据模式和计算方法对研究进行分类.
- 在DLBCL中识别AI/ML的趋势,知识差距和翻译机会.
主要方法:
- 在PubMed/MEDLINE,Scopus和Cochrane图书馆数据库中进行结构化的文献搜索.
- 包含应用AI/ML用于DLBCL生存预测,风险分类或亚型识别的原始研究.
- 根据数据输入对研究进行分类:临床,PET/CT,CT,组织病理学,转录组学,基因组学,ctDNA和多组学.
主要成果:
- 91项研究符合纳入标准,使用多种数据方式,包括PET/CT成像 (n=30) 和基因表达概况 (n=19).
- 常见的AI/ML技术包括集体学习,CNN和LASSO-Cox模型.
- AI/ML模型经常超过IPI性能 (AUC>0.80),多omics和ctDNA显示出强大的翻译潜力.
结论:
- 越来越多地使用AI/ML方法来提高DLBCL预后准确性,使用各种数据输入.
- 这些方法提供了优越的风险分层,有助于早期识别高风险患者和个性化治疗.
- 未来的研究应该优先考虑外部验证,模型可解释性和整合到临床工作流程中.
