背景随着近20余年人工智能(AI)在食管癌领域应用研究的骤增,出现了许多关于该研究的系统、荟萃分析等,但其仅针对AI在该领域应用的单一方面的总结研究,研究人员难以全面了解领域最新发展与研究热点。目的通过文献计量分析总结AI在食管癌领域的应用,阐明AI在食管癌领域相关研究的进展、热点和新兴趋势。方法检索Web of Science Core Collection(WoSCC)的Science Citation Index Expanded(SCI-E)数据库收录的AI应用于食管癌领域的所有英文文献,检索时间2000-01-01至2022-04-06。应用Microsoft Excel 2019、CiteSpace(5.8R3-64bit)和VOSviewer(1.6.18)对文献进行发文量、国家、作者、机构、共被引和关键词分析。结果2000-2022年共检索到AI应用于食管癌领域的文献918篇,共计引用文献总量23490篇。发文趋势:2000-2016年为迟缓期,发文量从6篇增至40篇;2017-2022年为快速增长期,发文量从62篇突增至216篇。60个国家、118家机构、5979位作者参与了AI在食管癌领域应用的研究,发文量排名前3位的国家分别是中国(306篇)、美国(238篇)、英国(113篇),机构合作强度排名前3位的分别是阿姆斯特丹大学〔连线粗细(TLS)=72〕、凯瑟琳娜医院(TLS=64)、埃因霍芬大学(TLS=53),发文量排名前3位的作者是荷兰的作者Jacques J G H M Bergman(16篇)、日本的作者Tomohiro Tada(12篇)、荷兰的作者Fons Van Der Sommen(12篇)。共被引作者39962位,共被引文献42992篇。AI应用于食管癌领域相关研究的突现关键词共33个,早期(2001-2008年):突现关键词以p53、突变为主;中期(2013-2018年):以食管癌分类、检查新技术(断层扫描)以及食管癌和不同癌症之间区分、鉴别和比较为主;近期(2019-2022年):以深度学习、卷积神经网络、机器学习在食管癌检查、诊断应用为最新前沿,且深度学习一词突现强度排在33个突现关键词首位(突现强度为13.89)。结论AI在食管癌领域的相关研究已迈入新阶段,从基因、突变逐步朝精准检查、诊断和治疗方向发展,深度学习、卷积神经网络、机器学习在食管癌检查、诊断应用为近期(2019-2022年)AI应用于食管癌领域的最新前沿。未来AI应用于食管癌的挑战可能主要集中在食管癌个体化数据收集、数据质量、数据处理规范、AI代码复现、辅助诊断可信度决策上。
目的通过分析tsRNA在肺腺癌中的差异表达情况及其表达水平与患者预后的关系,进一步筛选并验证肺腺癌相关tsRNA,以了解其在肺腺癌发生和进展中的相关机制。方法基于计算医学中心数据库筛选出在肺腺癌组织和正常组织中差异表达的tsRNA;基于癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库分析tsRNA表达水平对肺腺癌患者预后的影响;基于TRFtarget2.0和tRFTar数据库预测靶基因;基于DAVID、KOBA KEGG在线网站进行基因本体论(Gene Ontology,GO)富集分析和京都基因和基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)通路分析;基于阿拉巴马大学伯明翰分校癌症数据分析门户(the University of Alabama at Birmingham CANcer data analysis Portal,UALCAN)分析靶基因在肺腺癌组织和正常组织中的表达水平。采用增殖实验、迁移实验、侵袭实验验证tRF-19-69M8LOJX在肺腺癌细胞中的生物学功能。结果与正常组织相比,tRF-19-69M8LOJX在肺腺癌组织中表达上调(log2FC=4.28,FDR<0.05)。高表达水平的tRF-19-69M8LOJX预示着更短的无进展生存期(HR=1.565,95%CI=1.142~2.145,P=0.005);过表达tRF-19-69M8LOJX促进A549细胞的增殖、迁移(P<0.001)和侵袭(P=0.009);COL1A1(P=0.002)和VCAN(P=0.022)在tRF-19-69M8LOJX过表达细胞模型中显著上调。结论tRF-19-69M8LOJX在肺腺癌组织的表达水平上调,与患者不良预后密切相关,可能在肺腺癌的发生发展中起着重要作用。
[目的]拟探讨人工智能(AI)辅助对不同年资医生预测脑出血早期血肿扩大的效果差异。[方法]回顾性地纳入大连理工大学附属中心医院诊断为脑出血的患者108例,收集入院时CT影像和入院后24 h CT影像,将病人入院时平扫CT获得的DICOM图像输入到...
详细信息
[目的]拟探讨人工智能(AI)辅助对不同年资医生预测脑出血早期血肿扩大的效果差异。[方法]回顾性地纳入大连理工大学附属中心医院诊断为脑出血的患者108例,收集入院时CT影像和入院后24 h CT影像,将病人入院时平扫CT获得的DICOM图像输入到Biomind与天坛合作开发的AI-CAD模型。在大连理工大学附属中心医院神经外科选择不同年资的医生共9名,先对患者进行独立预测,再结合辅助AI结果预测患者24 h内是否会出现血肿扩大。分别计算不同年资医生独立预测以及辅助AI预测脑出血早期血肿扩大的准确度,采用配对样本的McNemar检验不同医生间独立预测符合率和辅助AI预测准确度的差异显著性。[结果]高、中、低年资医生独立预测脑出血早期血肿扩大的准确度分别为58.95%、50.62%和38.89%,AI辅助后,预测准确度均显著提升(P<0.001),提升幅度最大的是低年资医生,为25.92%,其次是中年资医生,为19.75%,最小为高年资医生,为11.73%。在独立预测脑出血血肿扩大时,高年资医生灵敏度为18.75%(95%CI:9.44%~33.10%),特异度为65.94%(95%CI:59.98%~71.45%),中年资医生灵敏度为16.67%(95%CI:7.97%~30.76%),特异度为56.52%(95%CI:50.44%~62.42%),低年资医生灵敏度为8.33%(95%CI:2.70%~20.87%),特异度为44.20%(95%CI:38.29%~50.28%);但在AI辅助各年资医生预测后,各年资医生灵敏度和特异度均提高,高年资医生灵敏度为60.42%(95%CI:45.29%~73.88%),特异度为72.46%(95%CI:66.72%~77.57%),中年资医生灵敏度为64.58%(95%CI:49.40%~77.45%),特异度为71.38%(95%CI:65.59%~76.56%),低年资医生灵敏度为68.75%(95%CI:53.60%~80.91%),特异度为64.13%(95%CI:58.13%~69.73%)。[结论]AI-CAD辅助对高、中、低年资医生预测脑出血早期血肿扩大的准确性均有提升,尤其能显著提高低年资医生发现早期血肿扩大的能力,能够在一定程度上弥补低年资医生工作经验不足的问题。
暂无评论