人工智能在子宫内膜癌中的研究与应用
摘要
随着基于机器学习的算法与深度学习技术的进步，在医学领域的人工智能应用日益广泛尤其是在肿瘤学领域。尤其是在肿瘤学领域中人工智能不仅在医学图像上的诊断评估而且还在基因组数据组学分析中的应用呈现出显著的增长趋势。通过人工智能技术可以从海量数据中提取有用的信息并发现潜在模式从而生成新的医疗见解这对于医务工作者来说能够更加客观地了解各类疾病的发展规律具有重要意义。其中子宫内膜癌作为一种常见的妇科恶性肿瘤在全球范围内发病率持续攀升成为三大恶性肿瘤之一的研究热点之一。近年来关于人工智能在子宫内膜癌研究领域的报道数量显著增加为此类疾病的研究成果进行了系统回顾与分析发现现有研究主要集中在影像学诊断这一基础层面并在预测深肌层浸润性侵袭性淋巴结转移等方面取得了一定的效果然而如何将这些研究成果转化为临床可操作的实际应用仍是一个亟待解决的问题未来的研究需要进一步探索更具临床价值的技术与方法以推动该领域的实际进步。
0 引言
子宫内膜癌（Endometrial Cancer, EC）作为女性生殖系统的常见恶性肿瘤，在中国女性生殖系统的恶性肿瘤中居于第二位地位，在发达国家则占据首位位置［1-2］。近年来的研究数据显示，在年轻女性群体中EC发病率呈现持续增长的趋势。其中约有25%的新发病例发生在绝经前阶段，并有约10%的患者年龄小于40岁。尽管该疾病尚未被完全归类为一种常见的流行病学问题，并与其它类型的癌症相比具有较低的致死率水平；但其发病率持续攀升的事实不容忽视地表明这是一个亟待关注的新兴公共卫生议题；这种变化可能与普通人群健康意识提升以及绝经后出血女性早期筛查工作的改进密切相关。此外随着社会代谢水平的不断提高人们的超重现象也呈现出逐步增高的趋势多项研究证实超重状态是导致EC发生的关键危险因素之一［3-4］。在EC患病风险的主要危险因素中除了转移这一特征外还包括高龄高血压糖尿病未婚生育早产绝经雌激素依赖以及特定基因突变等多方面的综合影响因素经过综合分析EC患者的转移特征最为显著
人工智能（Artificial Intelligence, AI）是模拟、延伸及扩展人类智能的技术，在计算机科学、控制论、信息论等学科基础上发展而成的一门交叉前沿学科。其研究领域广泛且复杂。大数据与AI相互促进，在医疗领域中AI可辅助挖掘医学信息并生成新数据集。这有助于医务工作者更加客观地分析疾病发展规律及演变机制。AI技术涵盖多个应用领域：医学影像分析、药物开发、医院管理等方面都有显著贡献。其中机器学习技术尤其突出，在图像特征提取方面表现尤为出色。研究表明：Yanagawa等（2015）提出了一种基于深度学习的CT图像分析算法；Chang等（2016）利用深度学习技术对神经胶质瘤MR图像特征的研究获得了87%的准确率；Jiang等（2017）通过深度学习神经网络对乳腺癌患者的超声图像分析显示最高阳性预测值达93.29%；Yamamoto等（2018）运用机器学习模型对前列腺癌病理图像诊断具有较高的准确性预测值为0.820。（此处可插入具体数值）。此外在组学数据分析方面也有重要应用：Chaudhary等（2019）利用肝癌相关组学数据结合AI技术实现了维度压缩并确定了37个预后特征
人工智能作为一项技术手段，在医疗领域展现出广泛的应用前景。就妇科肿瘤而言，在宫颈癌和卵巢癌研究方面仍存在较大的缺口，在这一研究领域中引入人工智能技术将具有显著的应用潜力。对于EC患者的长期随访管理而言，在明确诊断的基础上准确预测预后情况至关重要。本文旨在综述人工智能在EC领域的临床应用现状，并探讨机器学习技术如何助力EC患者的长期随访管理研究；同时也会深入分析当前人工智能技术在该领域的实施过程中所面临的主要挑战。
1 研究方法
在七月通过Web of Science数据库开展文献检索活动，在检索时采用以"子宫内膜癌"为核心关键词联合"人工智能"相关主题（包括但不限于机器学习、深度学习及神经网络）的复合检索策略。研究团队重点关注评估基于人工智能的子宫内膜癌诊断、预后及预测模型的相关研究，并系统整理并分析每篇文献中包含的研究者信息及其发表时间点等基本信息，并综合评估不同模型的表现特征及其应用效果
2 AI在EC中的应用
在EC领域的主要应用集中在影像学诊断方面。这是因为目前EC缺乏特异且敏感的肿瘤标志物用于临床诊断；其主要采用子宫内膜活检及影像学检查方法来完成相关诊疗工作；通常通过癌抗原125（CA125）水平评估治疗效果［20-21］。基于AI的应用研究，在EC领域仍较为有限。本研究共检索出14项与EC相关的AI研究，并按预测模型类型将其划分为诊断型和预后型两类；具体如表1所示。
表1 AI在EC中的应用
Table 1 Application of AI in endometrial cancer
| 第一作者 （年份） | 数据类型 | 算法分类 | 模型类型 | 模型效能 |
|---|---|---|---|---|
| Wang［22］ （2019） | PET-CT图像 | 线性回归 | 诊断 | AUC值0.715 |
| Neofytou［23］ （2014） | 宫腔镜图像 | CAD | 诊断 | 准确率81.0% |
| Takahashi［24］ （2021） | 宫腔镜图像 | 连续分析和网络组合 | 诊断 | 准确率89.0% |
| Makris［25］ （2017） | 子宫内膜细胞学图像 | ANN-MPL | 诊断 | 准确率90.87% |
| Chen［26］ （2020） | MRI图像 | CNN | 诊断 | 准确率84.4% |
| Stanzione［27］ （2021） | MRI图像 | 随机森林 | 诊断 | 准确率92% |
| Dong［28］ （2020） | MRI图像 | CNN | 诊断 | 准确率79.2% |
| Malek［29］ （2020） | MRI图像 | 决策树 | 诊断 | 准确率96.2% |
| Pergialiotis［30］ （2018） | 病理报告 | LR、ANN、CART | 诊断 | 准确率85.4% |
| Vezzo［31］ （2017） | 临床参数 | RERT | 诊断 | 准确率90.0% |
| Akazawa［32］ （2021） | 临床参数 | SVM、RF、DT、LR和Boosted Trees | 预后 | RF的准确率最高80.0% |
| Praiss［33］ （2020） | 病理数据 | EACCD | 预后 | C-index0.831 |
| Xu［34］ （2019） | MRI图像 | 组合模型 | 预后 | 准确率84% |
| Luo［35］ （2020） | MRI图像 | LASSO | 预后 | 敏感度94.0% |
注：**** PET为正电子发射体层摄影术；MRI为磁共振成像；CAD为宫腔镜图像的计算机辅助诊断；ANN为人工神经网络；MPL为多层感知器；CNN为卷积神经网络；LR为逻辑回归；CART为分类回归树模型；RERT为一种新的代表性回归树；SVM为支持向量机；RF为随机森林；DT为决策树；EACCD为多种癌症聚类集成算法；LASSO为拉索回归。
下载: 导出 CSV
2.1 EC诊断模型
该诊断模型通过临床症状和形态特征判断子宫内膜癌（EC）的可能性。如Wang等［22］所述，在170例EC患者中进行PET-CT扫描分析，并提取肿瘤纹理特征以构建线性回归算法。其区分子宫内膜非典型增生与早期子宫内膜癌的有效性（AUC值）达到了0.715。宫腔镜是一种用于子宫内膜镜检的技术。如Neofytou等［23］所述，在40例患者宫腔镜视频分析中引入计算机辅助诊断方法以提高准确性；Takahashi等［24］则将177例患者的宫腔镜图像按不同组织类型分组并运用深度神经网络模型优化诊断流程；Makris等［25］则开发了一种基于多层感知器的人工神经网络模型来分析液体细胞学图像，并在416名参与者的研究中实现了90.87%的分类准确率
通过MRI图像分析可以预判EC患者的子宫肌层浸润及转移趋势。具体而言，在这项研究中（Chen团队基于深度学习模型（CNN）利用来自EC患者数据库中的530张MRI图像构建预测系统），该系统展现了显著的诊断精度（84.4%），这一数值明显高于临床经验师的标准（80.0%）。随后开展的研究发现，在特征提取方面取得突破性进展：Stanzione团队运用随机森林算法对1 132个病例特征进行筛选后实施诊断分类器训练（92%准确率），其性能显著优于放射科医师的经验判断；Dong团队则采用深度神经网络架构对72例EC患者进行影像分析并实现免疫学检查模拟功能（79.2%准确性）。此外,Malek开发了一种多参数MRI决策树算法,该技术在区分良性与恶性子宫内膜癌方面的准确性高达96.2%,表现尤为出色；Pergialiotis等人的回顾性病例分析表明,人工神经网络在风险评估方面展现出最佳性能,而回归分析方法则未能达到同样水平；最后,Vezzo团队结合人口统计数据、肿瘤标志物检测以及组织学分级评估,提出了一个高效的风险预测模型,其正确识别率达到90%,特异性达76%,显著优于传统回归法
2.2 EC预后模型
预后模型旨在评估EC患者在未来某一特定时间段内发生复发、死亡或并发症等事件的概率。研究者Akazawa等［32］针对接受了手术及病理诊断的早期EC患者（Figo I/II期），招募了75例病例，并收集了每位患者的16项详细特征数据（年龄、体重指数、妊娠周期等）。该研究采用支持向量机（SVM）、随机森林（RF）、决策树（DT）、逻辑回归（LR）以及提升树（Boosted Trees）等5种机器学习方法对上述特征进行分析，并用于预测患者复发情况。通过AUC值及5折交叉验证法评估模型性能结果表明：随机森林算法表现出最佳分类准确率80%，其次为支持向量机77%；逻辑回归算法的分类准确率仅为73%，而决策树仅达66%；从AUC值来看，则以逻辑回归算法最高达53%。研究者Praiss等［33］开发了一种无监督机器学习算法——无监督癌症数据聚类算法（Ensemble Algorithm for Clustering Cancer Data ，EACCD），用于构建精确预后预测系统。该系统基于46 773份病理样本进行了训练，并采用了C-index指标来评估其生存预测准确性；与传统的EC分级算法相比,EACCD显著提升了预后预测精度, 其C-index值达到0.831. 研究者Xu等［34］从接受手术治疗的200例EC患者的病理样本中提取了4 179个放射组学特征, 并以此建立了临床模型、放射组学模型及两个组合模型, 用于评估MRI检查对术后淋巴结转移预测的效果；研究结果显示, 所有4个模型均能以84%以上的准确率预测术后淋巴结转移情况. 在判断术后患者预后的关键因素中,Lymph-Vascular Space Invasion (LVSI)具有重要地位. 研究者Luo等［35］运用拉索算法（Least Absolute Shrinkage and Selection Operator, LASSO）对144例EC患者的MRI图像进行了LVSI预测分析, 该方法在敏感度方面表现优异, 达到了94.0%, 特异度为78.6%, 同时AUC值为0.807, 具有较高的诊断效能。
3 未来挑战
首先，在研究中发现由于数据有限而导致模型预测能力受限。通过引入更加丰富的数据来源、应用更为复杂的模型架构以及优化算法设计等手段能够显著提升预测效果。为此建议建立EC数据库并收集来自全球各地的数据资源以便于研究人员共同分享研究成果；其次随着医院信息化系统的不断完善持续积累着大量具有时间属性的时间序列数据通过对这些数据施以AI分析技术能够有效挖掘出与时间特性相关的潜在信息模式。基于长期追踪采集的EC患者群体的时间序列数据能够深入揭示其发病演变规律并构建组合预测模型从而为该类疾病的早期预警和防治策略提供科学依据；此外标准治疗方案通常包括子宫切除手术这一措施该 procedure会导致女性生育能力永久丧失这一现象对生育欲望较强者来说无疑是一种沉重的选择。因此针对这类患者寻找既能保留生育能力又不影响疾病防治效果的治疗方法显得尤为重要。目前关于EC患者保育治疗的研究还处于起步阶段未来可将时序数据分析方法与AI技术相结合建立专门的保育治疗模型；最后在机器学习算法中通常要求输入数据必须是完整性保证算法稳定运行必须对缺失值进行科学处理本文所列举的研究也证实了这一问题即许多研究中都存在缺失数据的现象而针对缺失值的具体处理方式也多种多样如引入虚拟变量进行简单插值等方法加以弥补。
4 结语
目前有大量研究报道指出，在电子围栏（EC）患者的CT、MRI以及细胞病理学图像等领域中应用人工智能技术取得了显著成效。与临床信息相关的AI研究评估数量持续增加。然而，在这一领域内针对EC患者的诊断与预后模型的研究仍然占据主导地位，并未对保育治疗相关的机器学习模型给予足够重视。目前的研究成果多数并未成功转化为临床实际应用，并且未来仍需进一步探索这一方向的研究与发展。