编辑/绿萝

目录:

用于经济高效的医学图像诊断的新 AI 算法

DualGCN:预测癌症药物反应的双图卷积网络模型

机器学习识别可以在动物、人类和环境之间传播的抗生素耐药细菌

人工智能降低结直肠癌筛查中癌前息肉的漏诊率

使用 AI 从患者数据中安全地检测癌症

人工智能研究是改善肺癌患者治疗后监测的「激动人心的第一步」

用于经济高效的医学图像诊断的新 AI 算法

医学影像是现代医疗保健的重要组成部分,提高了各种疾病治疗的准确性、可靠性和发展性。人工智能(AI)也被广泛用于进一步增强这一过程。
然而,采用 AI 算法的传统医学图像诊断需要大量的注释作为模型训练的监督信号。为了获得 AI 算法的准确标签——作为临床常规的一部分,放射科医师为每位患者准备放射学报告,然后注释人员使用人工定义的规则和现有的自然语言处理 (NLP) 工具从这些报告中提取和确认结构化标签。
提取标签的最终准确性取决于人工工作的质量和各种 NLP 工具。该方法代价高昂,既费力又费时。
香港大学(HKU)的一个工程团队开发了一种新方法「REFERS」(审查自由文本报告以进行监督),通过自动采集数百个监督信号,可以将人力成本降低 90% 数以千计的放射学报告同时进行。它的预测精度很高,超过了使用 AI 算法的传统医学图像诊断。
REFERS 工作流程。
该研究以「Generalized radiograph representation learning via cross-supervision between images and free-text radiology reports」为题,发表在《Nature Machine Intelligence》上。
论文链接:https://www.nature.com/articles/s42256-021-00425-9
相关报道:https://techxplore.com/news/2022-04-ai-algorithms-cost-effective-medical-image.html

DualGCN:预测癌症药物反应的双图卷积网络模型

耐药性是癌症治疗的关键障碍。发现抗癌药物反应对于改善抗癌药物治疗和指导抗癌药物设计具有重要意义。
将体外细胞系研究的知识转移到单细胞和临床数据将是更好地了解耐药性的一个有希望的方向。目前的大多数研究都将单核苷酸变体 (SNV) 作为特征,并专注于提高癌症药物对细胞系反应的预测能力。然而,从临床肿瘤样本和单细胞数据中获得准确的 SNV 并不可靠。
来自清华大学和斯坦福大学的研究团队提出了一种新方法 DualGCN,这是一种统一的双图卷积网络模型来预测癌症药物反应。
DualGCN 使用图卷积网络对药物的化学结构和生物样本的组学数据进行编码。然后将两个嵌入输入到多层感知器中以预测药物反应。DualGCN 结合了癌症相关基因和蛋白质-蛋白质相互作用的先验知识,在避免使用大规模 SNV 数据的同时优于大多数最先进的方法。
该研究以「DualGCN: a dual graph convolutional network model to predict cancer drug response」为题,发表在《BMC Bioinformatics》上。
论文链接:https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-022-04664-4

机器学习识别可以在动物、人类和环境之间传播的抗生素耐药细菌

人为环境(人类创造的空间),例如集约化畜牧业区域,被视为抗微生物细菌和抗微生物基因的理想滋生地,它们能够感染人类并对人类医学中使用的药物产生耐药性。这可能对如何有效治疗某些疾病和感染产生巨大影响。
一个专家团队研究了中国的一个大型商业家禽养殖场,并从动物、尸体、工人及其家庭和环境中收集了 154 个样本。他们从样本中分离出一种叫做大肠杆菌(E. coli)的特定细菌。
研究人员使用了一种集成机器学习、全基因组测序、基因共享网络和移动遗传元素的计算方法来表征农场中发现的不同类型的病原体。他们发现抗菌基因(赋予抗生素抗性的基因)存在于致病菌和非致病菌中。
使用机器学习的新方法使团队能够发现与抗菌素耐药性相关的整个基因网络,这些基因在动物、农场工人和周围环境中共享。
该研究以「Whole-genome sequencing and gene sharing network analysis powered by machine learning identifies antibiotic resistance sharing between animals, humans and environment in livestock farming」为题,发布在《PLOS Computational Biology》。
论文链接:https://doi.org/10.1371/journal.pcbi.1010018
相关报道:https://phys.org/news/2022-04-machine-antibiotic-resistant-bacteria-animals.html

人工智能降低结直肠癌筛查中癌前息肉的漏诊率

大多数结肠息肉是无害的,但随着时间的推移,有些会发展成结肠癌或直肠癌,如果在晚期被发现,可能会致命。根据世界卫生组织的数据,结直肠癌是世界上第二大致命癌症。结肠镜检查是用于检测大肠(结肠)和直肠变化或异常的检查。
由 Mayo Clinic 领导的一组国际研究人员报告说,人工智能将结直肠癌筛查中癌前息肉的漏诊率降低了两倍。该研究发表《Gastroenterology》上。
癌前结直肠息肉的遗漏率估计为 25%。在这项研究中,首先进行 AI 结肠镜检查的组的漏诊率为 15.5%。首先进行标准结肠镜检查的组的漏诊率为 32.4%。AI 结肠镜检查在近端和远端结肠中检测到更多更小、更扁平的息肉。
论文链接:https://linkinghub.elsevier.com/retrieve/pii/S0016508522002384
相关报道:https://medicalxpress.com/news/2022-04-ai-precancerous-polyps-colorectal-cancer.html

使用 AI 从患者数据中安全地检测癌症

AI 可以直接从常规组织病理学切片预测分子改变的存在。然而,训练强大的 AI 系统需要大型数据集,而数据收集面临着实际、道德和法律方面的障碍。这些障碍可以通过群体学习 (SL) 来克服,其中合作伙伴共同训练 AI 模型,同时避免数据传输和垄断数据治理。
来自利兹大学研究团队开发了一种使用 AI 从患者数据中预测癌症,而不会将个人信息置于危险之中的新方法。展示了 SL 在来自 5,000 多名患者的千兆像素组织病理学图像的大型多中心数据集中的成功使用。
研究表明,使用 SL 训练的 AI 模型可以直接从苏木精-伊红 (H&E) 染色的结直肠癌病理切片预测 BRAF 突变状态和微卫星不稳定性。数据显示,经过 SL 训练的 AI 模型优于大多数本地训练的模型,并且性能与在合并数据集上训练的模型相当。此外,基于 SL 的 AI 模型是数据高效的。未来,SL 可用于为任何组织病理学图像分析任务训练分布式 AI 模型,从而无需数据传输。
该研究以「Swarm learning for decentralized artificial intelligence in cancer histopathology」为题,发布在《Nature Medicine》上。
论文链接:https://www.nature.com/articles/s41591-022-01768-5
相关报道:https://medicalxpress.com/news/2022-04-ai-cancer-patient.html

人工智能研究是改善肺癌患者治疗后监测的「激动人心的第一步」

皇家马斯登 NHS 基金会信托与伦敦癌症研究所和伦敦帝国理工学院合作的一项研究表明, AI 可以帮助指导非小细胞肺癌 (NSCLC) 患者的治疗后监测并改善结果 。
该研究发表在《EbioMedicine》的 OCTAPUS-AI 研究是世界首创,它比较了不同的机器学习模型,以确定哪些模型可以最准确地识别出治愈性放疗后有复发风险的 NSCLC 患者。
回顾性、多中心研究的结果表明,这项技术可用于帮助个性化,从而根据患者的风险改善对治疗后患者的监测。这可能会导致高危患者更早发现复发,确保他们接受紧急治疗,这可能会改善他们的结果。对于那些复发风险较低的人,它可能会导致更少的后续扫描和医院就诊。
论文链接:https://linkinghub.elsevier.com/retrieve/pii/S2352396422000950
相关报道:https://medicalxpress.com/news/2022-04-ai-post-treatment-surveillance-lung-cancer.html
人工智能 × [ 生物 神经科学 数学 物理 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展
欢迎注标星,并点击右下角点赞在看
点击读原文,加入专业从业者社区,以获得更多交流合作机会及服务。
继续阅读
阅读原文