건강수첩 일반건강

간세포암 환자에서 인공지능의 예후 역할

독서시간: 5

게시자: Mai Vien Phuong – 검사 및 내과 – Vinmec Central Park International General Hospital

간세포 암종(HCC)은 전 세계적으로 가장 흔한 원발성 간 악성종양이며 암 관련 사망의 세 번째로 흔한 원인입니다. 간 이식 및 절제의 형태인 수술은 치료의 핵심이며 잠재적으로 유일한 치료 옵션입니다.

종양 절제술은 작은 종양의 절제를 위한 대체 치료법으로 떠올랐습니다. 대조적으로, 동맥 색전술과 화학 요법은 질병을 조절하는 데 도움이 될 수 있으며 복합 치료 전략의 일부로 사용됩니다. 많은 요인들이 HCC 치료 후 생존에 영향을 미칩니다. 그 중 배경 간 상태, 종양의 조직학적 및 영상적 특징, 바이오마커 및 동반질환을 고려할 수 있습니다.

1. 간세포암(HCC)의 예후 모델

전통적으로 생존 분석 및 Cox 비례 위험 모델과 같은 기존의 선형 모델을 사용하여 예후를 평가했습니다. 간세포 암
(HCC). 그러나 선형 시스템은 상당한 한계가 있을 수 있으며 종종 임상 병리학적 특징 간의 상호 작용의 복잡성을 포착하지 못합니다. 이러한 한계를 극복하기 위해, 인공 지능 (AI)는 지난 10년 동안 의료 연구, 특히 인공 신경망(ANN)에서 딥 러닝(DL) 기술의 적용에 대한 관심 증가와 함께 사용되었습니다. 인공 신경망은 컴퓨터 기술을 사용하여 생물학적 신경계의 구조와 기능을 닮은 수학적 모델입니다. 이는 입력 계층(분석할 데이터), 데이터를 처리하는 하나 이상의 은닉 계층, 결과를 제공하는 출력 계층으로 시작하는 고도로 연관되는 단위 세트로 구성됩니다. 인공 신경망의 특징은 입력/출력 쌍의 예에 네트워크를 노출시켜 훈련할 수 있어 신뢰성을 향상시킬 수 있다는 것입니다. DL 동안 모델은 각 은닉층 내의 연결에 다른 가중치를 재할당합니다. 인공 신경망은 생성된 출력을 원하는 출력과 비교하여 오류로부터 학습할 수 있습니다. 오류는 다시 전파되고 연결 간의 기존 가중치가 그에 따라 수정됩니다. 학습이 완료되면 신경망은 이전에 관찰되지 않은 데이터 세트를 연결하고 예측할 수 있습니다.

AI는 종양 진단, 병리학적 특징, 치료에 대한 반응 및 생존과 같은 다양한 간세포암종 관련 결과를 예측하는 모델을 구축하는 데 사용되었습니다. 유전체학과 같은 분야에서 빅 데이터의 가용성이 증가함에 따라 AI는 현대 기술의 증가하는 컴퓨팅 성능으로 인해 종양 요소 간의 숨겨진 연결을 밝힐 수 있습니다.

의료 연구 및 임상 응용 분야에서 AI의 개발이 널리 보급되었습니다.

의 사용 인공 지능(AI) 의료 분야에서 1970년대 초에 시작되어 지난 수십 년 동안 수용도가 높아졌습니다. 특히 AI가 인간 생활의 거의 모든 영역에서 널리 사용되기 때문에 의료 연구 및 임상 응용 분야에서 AI의 개발이 널리 보급되었습니다. 현재 문헌을 검색하면 많은 AI 연구가 HCC의 이미징 특징을 차별화하기 위해 AI의 진단 및 적용에 중점을 둡니다. 양성 및 악성 간 덩어리의 식별 및 감별 진단은 AI가 간 암 특히 다른 병변이 있는 간세포 암종은 베이지안 모델 및 영상 전문의 영상 검사와 같은 다른 방법보다 좋습니다.

다양한 논문에서 HCC 관리에서 진단 또는 예후 도구로서의 인공 지능의 영향을 탐구합니다.  AI: 인공 지능;  HCC: 간세포 암종;  LRT: 국소 요법.
다양한 논문에서 HCC 관리에서 진단 또는 예후 도구로서의 인공 지능의 영향을 탐구합니다. AI: 인공 지능; HCC: 간세포 암종; LRT: 국소 요법.

2. 간세포암종 관리에서 인공지능의 역할

HCC 관리에서 AI의 예후 영향에 초점을 맞춘 출판된 문헌의 체계적인 검토가 수행되었습니다. 검색 전략은 PRISMA(Systematic Review and Meta-analysis)를 위한 우선 보고 항목의 원칙에 따라 수행되었습니다.

선별된 598개의 기사 중 9개는 포함 기준을 충족했으며 6개는 위험 편향률이 낮습니다. 지난 10년 동안 8개의 기사가 출판되었습니다. 그들 모두는 동부 국가에서 왔습니다. 사용된 AI 방법론에는 6개의 연구에서 신경망이 포함되었고 나머지 3개의 연구에서는 지지 벡터 기계, 인공 식물 최적화 및 복부 단층 촬영이 포함되었습니다. 인공 신경망의 역할을 조사하는 모든 연구는 인공 신경망의 성능을 기존 통계와 비교합니다. 훈련 그룹은 신경망을 훈련하는 데 사용되며 검증 그룹에 적용됩니다. 모든 경우에 AI 모델은 언더커브 영역이 크게 개선되어 기존 통계보다 우수한 예측 성능을 보여주었습니다.

간세포 암종(HCC)에 대한 치료 후 생존의 예측은 광범위하게 연구되었지만 불완전한 상태로 남아 있습니다.

인공 지능(AI)의 적용은 많은 양의 데이터를 처리하고 변수 간의 숨겨진 관계를 찾는 능력으로 인해 기존 통계에 대한 새로운 지원 방법입니다. 본 연구는 문헌에 대한 체계적인 검토를 수행하여 HCC 생존을 예측하는 다양한 AI 방법론의 역할을 평가하는 것을 목표로 하고 있습니다.

기사에 대한 비무작위 중재 연구에서 위험 편향에 대한 결과가 추출되었습니다.
기사에 대한 비무작위 중재 연구에서 위험 편향에 대한 결과가 추출되었습니다.
            

고정밀 AI 기법을 이용한 생존성 예측

본 체계적 고찰은 간세포암종 치료 후 환자의 생존을 예측하는 AI 시스템의 능력을 최초로 요약한 것이기 때문에 중요하다. 저자의 결과는 환자 표본 크기가 이질적인 기존 연구에서 다양한 유형의 AI 방법이 사용되었음을 시사합니다. 포함된 연구의 대부분(n = 6/9)은 인공 신경망을 사용하여 치료 후 생존의 예측 변수를 분석했으며, 이는 다른 결과 예측 시스템의 체계적인 검토 결과와 일치합니다. 보다 정확한 예측의 필요성을 고려하여 조사관은 AI 기술을 기존 선형 모델과 비교하여 치료 의사 결정을 최적화했습니다. 일부 예측 모델은 수술 전후 변수를 모두 사용했지만 이러한 모델은 수술, 절제 또는 기타 치료 후에만 얻을 수 있는 정보가 필요하기 때문에 임상 의사 결정에 유용하지 않습니다. 대조적으로, 수술 전 변수만 있는 모델은 수술 전 설정에서 치료 전략을 안내하는 데 도움이 될 수 있습니다.

중요하게도 저자의 체계적인 검토는 AI 방법을 사용한 생존 예측이 매우 정확했고 제한된 샘플 크기의 연구에서도 여전히 효과적이라는 것을 보여주었습니다. , AI를 사용한 예측 모델링에 대한 현재 지식은 더 큰 샘플 크기. AI 모델의 예측 정확도가 지속적으로 높은 이유는 다인적인 요인이지만 AI 모델의 복잡성(예: 변수당 이벤트 수 증가)은 문제를 강화합니다. 사용됩니다.

전문 소프트웨어 획득 및 사용의 어려움

데이터 처리를 위한 전문 소프트웨어를 구하고 사용하는 데 어려움이 있기 때문에 임상 실습과 여러 센터에서 AI 모델의 재현성과 적용 가능성에 의문을 제기할 수 있습니다. 또한 신경망이 예제에서 학습할 때 신경망이 원래 구축된 데이터 세트와 다른 데이터 세트에 적용하려면 먼저 신경망을 훈련해야 한다고 주장할 수 있습니다. 그러나 이 체계적인 검토에서 나타난 것은 AI가 치료 생존을 예측하기 위한 기존의 선형 분석 시스템에 훌륭한 보조 도구가 될 수 있다는 것입니다. Cucchetti et al은 다른 센터가 HCC 종양 등급과 현미경적 침습을 예측하기 위해 모델을 테스트하고 강화하기 위해 인공 신경망을 온라인으로 사용할 수 있도록 했습니다. 또한 AI는 HCC의 다른 측면에 적용될 때 게놈과 같은 빅 데이터 간의 연결을 발견하는 데 특히 유용합니다. 미세아교세포 돌연변이/결실을 위한 유전자 형식화와 결합된 인공 신경망은 모델이 개발된 센터에서 85%의 정확도로 간 이식 후 간세포암종의 재발을 예측할 수 있으며 다른 센터의 데이터에서 테스트할 때 89.5%의 정확도로 예측할 수 있습니다. 이미징에 적용되는 AI에 대한 연구가 점점 늘어나고 있습니다. 머신 러닝은 알려지지 않은 결절과 잠재적으로 피할 수 있는 결절을 재분류하기 위해 컴퓨터 단층 촬영 스캔의 정량적 해석을 제공하는 데 사용되었습니다. 생검 환자의 안전을 개선합니다. 마찬가지로, 신경망 알고리즘은 방사선 전문의의 분류와 일치하는 간 영상 데이터 및 보고서의 객관적이고 재현 가능한 체계적인 카탈로그를 제공하기 위해 구축되었습니다.전문가 연구.
HCC의 예후에 대한 임상 실습에서 인공 신경망의 적용과 관련된 단점

임상 실습에서 인공 신경망의 적용과 관련된 단점 중 하나는 환자(너무 적은)의 수에 비해 환자당 입력의 수가 불균형할 수 있다는 것입니다(너무 많은, 예를 들어, 발현된 단백질의 수천 개. 유전자). 잠재적으로 관련이 없는 변수를 엄격하게 필터링하여 데이터세트 과적합의 위험을 최소화할 수 있습니다. 특히, 기존의 통계를 이용한 인공신경망에서 입력으로 사용할 변수를 선택하는 것은 모델의 효율성을 높이고 중복성을 줄이기 위한 전략으로 활용되어 왔다. 이 체계적인 검토. 암 환자 데이터를 분석할 때(즉, 상대적으로 적은 수의 샘플에 대해 너무 많은 차원) DL을 다른 기계 학습 기술과 결합하여 예후 유전자 마커를 식별하고 HCC를 포함한 여러 종양 유형이 있는 환자의 더 나은 예후와 더 나쁜 예후를 구별하는 데 사용되었습니다.

끝내다

인공 지능은 기존의 선형 모델에 비해 간세포암종 치료 후 생존 예측을 향상시킬 수 있습니다. AI의 사용은 대량의 데이터를 처리하는 데 특히 유용할 뿐만 아니라 생물학적 시스템의 복잡성으로 인해 기존 기술에서는 분명하지 않은 패턴과 연관성을 식별하는 데 도움이 될 수 있습니다. AI는 의료 연구 및 HCC에 대한 적용에서 유망한 역할을 합니다. 환자당 데이터의 양이 증가하고 있음에도 불구하고 AI가 임상 의사 결정을 안내하고 각 환자에 대해 개별적으로 특성을 기반으로 장기 결과 예측을 최적화하는 방법을 결정하는 것이 중요합니다.