《柳葉刀》子刊：王洛偉團隊在AI篩查食管癌領(lǐng)域取得重要進展！
近期，以ChatGPT為代表的通用人工智能（AGI）的發(fā)展，著實讓大家有了一種「奇點臨近」的感覺。當(dāng)然，在AGI面世之前，科學(xué)家已經(jīng)用機器學(xué)習(xí)和深度學(xué)習(xí)解決了很多醫(yī)學(xué)領(lǐng)域的實際問題。
近期，上海市第一人民醫(yī)院、海軍軍醫(yī)大學(xué)附屬長海醫(yī)院、上海國家消化系統(tǒng)疾病臨床醫(yī)學(xué)研究中心等多家機構(gòu)的研究人員，在《柳葉刀·胃腸肝病學(xué)》雜志上發(fā)表了一項重要研究，利用機器學(xué)習(xí)技術(shù)讓更經(jīng)濟、更可及的大規(guī)模食管癌篩查成為可能。機器學(xué)習(xí)模型AUROC達0.964，并可避免92.8％的內(nèi)窺鏡檢查【1】。
論文首頁截圖
食管癌的兇猛想必不用多言。在全球范圍內(nèi)，食管癌在癌癥相關(guān)死亡原因排行榜中位居第六，僅2020年就造成了超過50萬人死亡【2】。需要特別強調(diào)的是，全球超過50%的食管癌死亡來自中國【3】，可見我國疾病負擔(dān)之沉重。
在食管癌高發(fā)的區(qū)域，食管鱗狀細胞癌占所有食管癌的90%【3】。由于食管鱗狀細胞癌癥狀出現(xiàn)較晚，大多數(shù)患者確診已是晚期，因此預(yù)后非常不佳，在非洲地區(qū)5年總生存率不到5%，中國則為30%。
和大多數(shù)癌癥一樣，早診早治也是降低食管癌死亡率的重要手段。如果可以在疾病的早期階段，如高級別鱗狀上皮增生（前期病變）和早期浸潤性食管鱗狀細胞癌時進行早期檢測和干預(yù)，則可以有效減少食管鱗狀細胞癌的死亡率。
事實上，中國已經(jīng)開展的早篩計劃證明，40~69歲之間進行一次內(nèi)窺鏡篩查，可以在未來10年內(nèi)將食管鱗狀細胞癌的死亡率降低30~60％【4】。
有效篩查是降低食管癌病死率的“中國經(jīng)驗”
不過，雖然內(nèi)窺鏡篩查是食管癌早診的金標(biāo)準(zhǔn)，但受侵入性和資源密集型限制，很難在我國高風(fēng)險地區(qū)廣泛開展。替代的方法主要有兩種，一種是基于流行病學(xué)的問卷調(diào)查，另一種是對非內(nèi)窺鏡氣球或膠囊海綿采樣器采集的細胞進行病理分析。但前者預(yù)測效果有限，后者則需要大量有經(jīng)驗的細胞病理學(xué)家。
那么有沒有可能開發(fā)一種對資源占有量小，不需要大量細胞病理學(xué)家介入，成本可控，準(zhǔn)確率又高的篩查方法呢？是時候呼喚AI了！
由研究團隊發(fā)起的這項名為EAST的研究，在全國39家醫(yī)院招募了14597名40-75歲之間的成年人，其中7899例數(shù)據(jù)進入訓(xùn)練集，6698例數(shù)據(jù)進入測試集，除此之外，還有2901名社區(qū)參與者，這些數(shù)據(jù)進入了驗證數(shù)據(jù)集。
人群基線特征
研究的流程可謂行云流水。首先，所有參與者都完成了一份結(jié)構(gòu)化的在線問卷調(diào)查，包括人口統(tǒng)計學(xué)和風(fēng)險因素，如性別、年齡、身體質(zhì)量指數(shù)、居住地、教育水平、吸煙和飲酒習(xí)慣等。其次，由當(dāng)?shù)氐淖o士進行膠囊海綿細胞采樣，收集的細胞被送往中央實驗室處理，并使用研究團隊的AI掃描儀進行病理片的掃描，并進一步提取數(shù)字化的細胞學(xué)特征。
在測試和驗證集中，被AI識別異常的細胞將交給兩位細胞學(xué)家進行獨立盲法診斷。所有參與者在細胞學(xué)檢查后的10天內(nèi)接受上消化道內(nèi)窺鏡檢查，并由醫(yī)生獨立診斷。
基于這些數(shù)據(jù)，研究團隊希望訓(xùn)練一個機器學(xué)習(xí)模型，通過流行病學(xué)問卷調(diào)查+膠囊海綿細胞樣本AI特征提取數(shù)據(jù)，來預(yù)測食管癌的風(fēng)險。
研究的主要預(yù)測結(jié)果是高級別病變，包括食管和食管-胃交界處的組織學(xué)證實的癌癥和高級別上皮內(nèi)瘤變。結(jié)果指標(biāo)包括模型的受試者工作特征曲線下面積（AUROC）和平均精度，以及靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值和需要內(nèi)窺鏡檢查的人數(shù)。
研究團隊訓(xùn)練了LR、AdaBoost、LightGBM 等6個常用的機器學(xué)習(xí)模型。在測試集中，LightGBM模型表現(xiàn)較佳，AUROC達到0.960（95% CI 0.937 to 0.977），平均精度為0.482（95% CI 0.470 to 0.494），并且與AI輔助的細胞學(xué)家表現(xiàn)相似（AUROC 0.955 [95% CI 0.933 to 0.975]）。因此被選為進一步分析的終模型。
各分析模型準(zhǔn)確性
如果將模型定義的中度風(fēng)險和高風(fēng)險組轉(zhuǎn)介到內(nèi)窺鏡檢查，其敏感性為94.5％（95% CI 88.8 to 97.5），特異性為91.9％（95% CI 91.2 to 92.5），預(yù)測陽性值為18.4％（95% CI 15.6 to 21.6）。
研究團隊根據(jù)測試集ROC曲線的操作點，將預(yù)測風(fēng)險得分（PRS）小于0.25的參與者定義為低風(fēng)險組，PRS為0.25~0.5的參與者定義為中等風(fēng)險組，PRS為0.5或更高的參與者定義為高風(fēng)險組。
這里簡單科普一下，在機器學(xué)習(xí)中，PRS可以理解為一個分類閾值，將預(yù)測分數(shù)轉(zhuǎn)換為相應(yīng)的分類標(biāo)簽。比如，將預(yù)測分數(shù)大于等于閾值的樣本判定為陽性（positive），小于閾值的樣本判定為陰性（negative）。分類閾值是預(yù)測模型終決策的關(guān)鍵因素之一。
按照這個分類閾值，在測試組6698名參與者中， 6045（90.3％）為低風(fēng)險組， 189（2.8％）為中等風(fēng)險組， 464（6.9％）為高風(fēng)險組。
此前的內(nèi)窺鏡檢查診斷結(jié)果的顯示，在測試人群中，高級別病變的患病率為1.9%（6698人中的127人），也就是說，需要用內(nèi)窺鏡篩查52.7人，才能篩出一位高級別病變的患者。而如果將機器學(xué)習(xí)預(yù)測的中等風(fēng)險和高風(fēng)險組參與者納入內(nèi)窺鏡篩查，則使用內(nèi)窺鏡篩查5.4人，就可以篩出一位高級別病變患者，可以避免90.3％的內(nèi)窺鏡檢查。
準(zhǔn)不準(zhǔn)確？好不好用？
最后，使用社區(qū)2901例參與者的數(shù)據(jù)對模型進行驗證。在這個驗證集中，1.2%(36 of 2901) 的參與者經(jīng)內(nèi)窺鏡診斷為陽性。經(jīng)驗證，LightGBM模型的AUROC為0.964（95% CI 0.920 to 0.990）。使用預(yù)定義的PRS，92.8％的參與者被分類為低風(fēng)險，2.1％被分類為中風(fēng)險，5.0％被分類為高風(fēng)險。
如果將中等風(fēng)險和高風(fēng)險視為陽性預(yù)測，需要進一步使用內(nèi)窺鏡檢查，則可以避免92.8％的內(nèi)窺鏡檢查。也就是說，如果驗證集的參與者全部采用內(nèi)窺鏡篩查，篩查80.6人才能找到一個陽性患者；但對經(jīng)機器學(xué)習(xí)判定為陽性預(yù)測的參與者進行內(nèi)窺鏡篩查，則篩查5.9人，就可以找到一個陽性患者。篩查效率可謂大幅提升！
最后總結(jié)一下，這項由中國多家機構(gòu)發(fā)起了食管癌AI輔助篩查研究發(fā)現(xiàn)，他們訓(xùn)練的機器學(xué)習(xí)模型可以使用「流行病學(xué)調(diào)查問卷+AI處理的海綿細胞采樣數(shù)據(jù)」，實現(xiàn)食管癌的高效篩查，AUROC達0.964，并可避免92.8％的內(nèi)窺鏡檢查，極大減少了篩查中內(nèi)窺鏡的使用密度。
聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息，如作者信息標(biāo)記有誤，或侵犯您的版權(quán)，請聯(lián)系我們，我們將在及時修改或刪除內(nèi)容，聯(lián)系郵箱：marketing@360worldcare.com
