文献速递人工智能系统检测大肠癌T1期

文章标题：ArtificialIntelligenceSystemtoDetermineRiskofT1ColorectalCancerMetastasistoLymphNode

研究人员：Shin-eiKudoetal.

研究单位：DigestiveDiseaseCenter,ShowaUniversityNorthernYokohamaHospital,Yokohama,Japan

发表时间：.9.27

期刊名称：Gastroenterology

影响因子：17.

分区：一区

1.核心亮点：

1.TheANNmodeloutperformedguidelinesinidentifyingpatientswithT1CRCswhohadlymphnodemetastases.

2.ThismodelmightbeusedtodeterminewhichpatientsrequireadditionalsurgeryafterendoscopicresectionofT1CRCs.

1.ANN模型在鉴别T1期CRCs有淋巴结转移的患者方面优于指南。

2.这个模型可以用来确定哪些病人在内镜下切除T1期CRCs后需要额外的手术。

2.思路与方法：

1.纳入患者。

2.建立机器人工神经网络。

3.检测网络性能。

3.ABSTRACT

BackgroundAims:Inaccordancewithguidelines,mostpatientswithT1colorectalcancers(CRC)undergosurgicalresectionwithlymphnodedissection,despitethelowincidence(~10%)ofmetastasistolymphnode.Toreduceunnecessarysurgicalresections,weusedartificialintelligencetobuildamodeltoidentifyT1colorectaltumorsatriskformetastasistolymphnodeandvalidatedthemodelinaseparatesetofpatients.

Methods:WecollecteddatafrompatientswithT1CRCtreatedat6hospitalsinJapanfromAprilthroughSeptember(trainingcohort).Wedevelopedamachine-learningartificialneuralnetwork(ANN)usingdataonpatients’ageandsex,aswellastumorsize,location,morphology,lymphaticandvascularinvasion,andhistologicgrade.WethenconductedtheexternalvalidationontheANNmodelusingindependentpatientsatanotherhospitalduringthesameperiod(validationcohort).Wecalculatedareasunderthereceiveroperatorcharacteristicscurves(AUROCs)fortheabilityofthemodelandUnitedStatesguidelinestoidentifypatientswithlymphnodemetastases.

Results:Lymphnodemetastaseswerefoundin/patients(10.2%)inthetrainingcohortand79/patients(8.4%)inthevalidationcohort.Inthevalidationcohort,theANNmodelidentifiedpatientswithlymphnodemetastaseswithanAUCof0.83,whereastheguidelinesidentifiedpatientswithlymphnodemetastaseswithanAUCof0.73(P.).Whentheanalysiswaslimitedtopatientswithinitialendoscopicresection(n=),theANNmodelidentifiedpatientswithlymphnodeJournalPre-proof5

metastaseswithanAUCof0.84andtheguidelinesidentifiedthesepatientswithanAUCof0.77(P=.).

Conclusions:TheANNmodeloutperformedguidelinesinidentifyingpatientswithT1CRCswhohadlymphnodemetastases.ThismodelmightbeusedtodeterminewhichpatientsrequireadditionalsurgeryafterendoscopicresectionofT1CRCs.UMINClinicalTrialsRegistryno:UMIN.

摘要

背景与目的：尽管T1期结直肠癌淋巴结转移的发生率较低（约10%），但根据指南，大多数结直肠癌（CRC）患者接受手术切除加淋巴结清扫。为了减少不必要的手术，我们利用人工智能建立了一个模型来识别T1期结直肠癌淋巴结转移的风险，并在一组单独的患者中验证了该模型。

方法：收集年4月至年9月在日本6家医院治疗的例T1期大肠癌患者的资料（训练队列）。我们开发了一种机器学习人工神经网络（ANN），它利用了患者的年龄和性别，以及肿瘤的大小、位置、形态、淋巴管和血管的浸润情况组织学分级。在同一时期，医院的名独立患者（验证队列）对ANN模型进行了外部验证。我们计算了受试者-操作者特征曲线（AUROC）下的面积，以验证模型和美国指南识别淋巴结转移患者的能力淋巴结转移。

结果：例中例（10.2%）有淋巴结转移训练队列和验证队列中的79/名患者（8.4%）。在验证队列中，ANN模型确定淋巴结转移患者AUC为0.83，而指南确定淋巴结转移患者AUC为0.73（P0.）。当分析仅限于初次内镜下切除的患者（n=）时，ANN模型确定有淋巴结转移的患者AUC为0.84，指南确定这些患者AUC为0.77（P=0.）。

结论：ANN模型在鉴别T1期CRCs有淋巴结转移的患者方面优于指南。这个模型可以用来确定哪些病人在内镜下切除T1期CRCs后需要额外的手术。UMIN临床试验注册号：UMIN。

4.图表：

Figure1:Flowchartofthepatientsfromsevenhospitalswhowereenrolledforthisstudy.

图1.医院的病人流程图。

表1.用于比较神经网络模型和美国LNM结果指南的训练和验证队列的基线特征。

表2.训练队列中LNM危险因素的单变量和多变量logistic回归分析（n=）。

Figure2:ROCcurvesoftheANNmodelandUSguidelinesforLNMforthetrainingcohort(total=cases,initialER=cases).

图2.在训练队列ANN模型和美国指南的LNM的ROC曲线。

Figure3:ROCcurvesoftheANNmodelandUSguidelinesforLNMforthevalidationcohort(total=cases,initialER=cases).

图3.在验证队列ANN模型和美国指南的LNM的ROC曲线。

Figure4:ROCcurvesoftheANNmodelandJapaneseguidelinesforLNMforthevalidationcohort(total=cases,initialER=cases).

图4.在验证队列ANN模型和日本指南的LNM的ROC曲线。

5.不足：这项研究需要在独立的非日本患者群体中进行验证。

6.启发：在做相关疾病的研究中，现在越来越

转载请注明：http://www.dachangzhongliu.com/dczlzz/8536.html