Page 49 - 肿瘤患者中西医结合护理研究

第二章 肿瘤的预防和控制

（二）AI 与肿瘤的三级预防
在患者确诊恶性肿瘤之后，AI 有望辅助制定医疗决策、提高肿瘤治愈率、
延长患者生命并提高生存质量。目前，已有很多研究利用 AI 进行肿瘤分型、识
别相关遗传易感性和分子水平改变、进行生存预测、用于指导临床用药和治疗等。

AI应用于临床大数据推动了肿瘤患者风险评估和生存预测领域的快速发展。
AI 结合影像组学可通过图像信息识别与肿瘤预后相关的分子生物学特征，实现
肿瘤分子分型、耐药性预测和判断预后有重要价值。Saillard 等基于 WSI 图像数
据训练 CNN 模型发现微血管侵入和缺乏免疫浸润特征与预后较差有关，对肝癌

切除术后生存预测有一定指导性。Kim 等应用肺癌切除术前胸部 CT 数据建立
DL 模型预测肺腺癌患者无病生存期。Jin 等则利用纵向图像数据，使用新辅助
化疗治疗前和治疗后的 MRI 图像训练深度神经网络模型，在结合血液中动态变
化的癌胚抗原水平的信息后，模型能够准确预测化疗的有效性（AUC=0.97），

表明前瞻性随访数据中含有的动态变化信息可显著提高对肿瘤治疗结果的预测能
力。Elfiky 等使用 EHR 数据建立 ML 模型准确预测肿瘤患者接受化疗后 30 天内
（AUC=0.94）和 180 天内（AUC=0.83）的死亡风险。Rajkomar 等将 DL 方法应
用于EHR数据，在入院早期就可以较为准确地预测住院死亡率（AUC：0.93~0.94）、

30 天非计划再入院（AUC：0.75~0.76）、住院延长时间（AUC：0.85~0.86）和
患者出院诊断（AUC=0.90），为患者预后预测提供参考。
Li 等使用 RF、SVM 等 ML 方法，利用基因表达谱数据筛选出特征基因构
建肺腺癌的生存预测模型，有效实现高危人群分类。Mitchel 等整合了基因组、

DNA 甲基化、miRNA 和拷贝数变异的多组学数据，提出了特征水平整合与决策
水平整合相结合的多组学 DL 框架，实现了准确预测乳腺癌生存率（AUC=0.87）。
Tong 等基于互补原则与共识原则相结合构建多组学 DL 的生存分析框架，应用于
乳腺癌患者生存预测。研究还表明，将 DL 方法结合时间序列数据和多次重复测

量数据也可应用于竞争风险预测，为未来纵向、多层次数据的生存分析提供方法
支持。
在精准医学理念指引下，AI 应用于多学科联合诊疗（multi-disciplinary treat-
ment，MDT）和提供个体化临床诊疗建议是大势所趋。Xu 等开发的 DL 算法

识别出对肺腺癌有较好预测效果（准确度 97.14%）的少量关键基因（CDH5、
CAV1、SPP1 等），并对这些基因对应的药物治疗靶点进行选择。IBM 开发的

39