✦
深度学习辣汤小组文献阅读学习之一百四十九篇
✦
肝移植中的人工智能、机器学习和深度学习
DeepLearning 深度学习辣汤小组
2023/12/26
2023年，来自加拿大多伦多大学医学部的Mamatha Bhat等人综述了人工智能技术在肝移植手术前及手术后的应用，深入探讨AI技术在肝移植中应用局限性和未来发展方向。并在期刊J HEPATOL（IF=25.7，医学一区TOP）上发表题为“Artificial intelligence, machine learning, and deep learning in liver transplantation”的文章。
DOI：
https://doi.org/10.1016/j.jhep.2023.01.006
一、研究背景
人工智能（AI）和机器学习（ML）已在包括电子商务、媒体、金融在内的各个学科中获得认可和采用，现在已进入健康科学领域。机器学习模型通过数学函数或规则集从数据集中学习，可以提供高精度的分类和预测输出。深度学习是机器学习的一个子集，它使用深度神经网络通过多层相互连接的人工神经元来分析数据。电子健康记录（EHR）的使用和纵向健康数据的存储激发了人们对开发包括肝移植（LT）在内的医学领域预测性机器学习模型的兴趣。由于机器学习模型能够整合更多的变量和数据类型，因此可以比高级生物统计模型更准确地预测移植后的短期和长期患者存活率。这篇叙述性综述总结了将ML技术应用于LT的研究，并深入了解当前的局限性和未来发展方向。
二、AI技术在LT前的应用
由于器官供需之间的差距越来越大，以及肝移植结果所涉及的一系列因素，人们已经探索了新技术来改进移植风险评估和当前的分配系统。ML算法可以处理来自大型数据集的许多变量（或特征），并可能在供体和受体特征之间建立复杂的关系，以补充LT的临床决策（图1）。目前的分配多基于终末期肝病（MELD）评分模型和添加血清钠（MELD-Na）模型，它不能反映肝硬化和门静脉高压的临床并发症，这些并发症具有显著的发病率，也与死亡率独立相关。有学者研究用于预测90天LT等待名单的死亡率和应用ML模型预测肝硬化患者1年死亡率，结果表明，ML技术有可能提高肝硬化患者短期和长期生存的预测，从而降低候诊患者的死亡率。
此外，人工智能工具可能在未来发挥作用的移植领域的另一个重要方向是供体-受体匹配。传统的基于统计的评分系统旨在优化供体-受体匹配，如SOFT(肝移植后生存)或BAR(风险平衡)评分，其主要挑战是它们无法充分平衡等待名单死亡率与移植后移植和患者生存。人工智能算法可能会有效权衡，充分考虑众多受体和供体特征的复杂性，进行供体-受体匹配。
三、AI技术在LT后的应用
在移植后的环境中，同样存在广泛的数据类型、动态和相互关系，可以通过ML工具进行查询，以提供诊断和预后价值，最终目标是个性化移植后护理（图2）。利用供体和受体的移植前特征，ML模型可以比先进的生物统计模型更准确地预测移植后患者的短期和长期生存，这主要是由于能够整合更多的变量和数据类型。有了这种见解，可以帮助优先考虑更有可能在移植后存活的患者，同时平衡这与等候名单死亡率之间的关系。ML模型也可以用于预测移植失败，这可以更好地为供体-受体匹配和器官分配提供信息。机器学习算法可以通过预测患者和移植物存活率、识别疾病复发的危险因素以及检测相关的并发症来帮助指导肝移植接受者的管理。
四、局限性和未来方向
模型训练的数据集失衡、数据隐私问题以及缺乏在现实世界中对模型性能进行基准测试的可用研究，限制了人工智能在肝移植中的临床部署；并发症的复杂性和缺乏标准化的做法也使得识别高危患者和提供早期干预措施变得困难；作为人工智能的最终用户，缺乏可解释性和大多数ML模型的“黑箱”性质也降低了医生和患者的信任。
精准医疗需要整合各种类型的数据：临床、影像和组学(图3)。目前，这些数据类型的使用是分散的，没有标准的方法可以辅助整理此类信息。ML和DL可以帮助以前所未有的方式整合大量患者数据，通过对多中心、大规模、前瞻性数据的联邦学习和群体学习，有望通过ML工具捕获和分析这些数据变量之间的动态模式和相互关系，以提高短期和长期患者存活率预测的准确性，实现个性化护理。
图1：机器学习在移植前的应用
图2：机器学习可以改善移植后管理
图3：人工智能的未来临床应用
Pepper soup transformed by: Yang Na
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
