目录
1.基于32基因特征构建的机器学习模型可有效预测胃癌患者的预后和治疗反应
2.胃癌患者术后90天死亡率的机器学习风险预测模型
3.使用机器学习模型预测幽门螺杆菌根除患者胃癌患病风险
4.利用初始内窥镜检查和组织学结果进行个性化胃癌发病率预测
1.基于32基因特征构建的机器学习模型可有效预测胃癌患者的预后和治疗反应
近日，该韩国研究团队联合梅奥诊所研究团队在Nature Communications发表了题为“Development and validation of a prognostic and predictive 32-gene signature for gastric cancer”的文章。研究团队利用NTriPath识别了胃癌的特异性关键信号通路，并生成了包含32个基因的胃癌特异表达特征谱。验证了这些基因特征的预后效用，并建立了一个基于分子亚型的风险评分模型，来预测胃癌患者总体生存期和对化疗或免疫检查点封锁疗法的反应。
2.胃癌患者术后90天死亡率的机器学习风险预测模型
该研究是一个多中心大队列研究。作者旨在使用ML算法开发并验证接受根治性胃切除术后患者90 天死亡率(90DM)的风险预测模型。
作者纳入西班牙 EURECCA 食管癌登记数据库中登记的 2014 年至 2021 年间接受根治性胃癌切除术的胃腺癌患者。主要研究结局重点为90DM。作者采用交叉验证弹性正增强线性回归(glmboost)、随机森林(RF)和集合模型4则化逻辑回归(cv-Enet)、种ML算法评价建立模型。通过 10 折交叉验证下曲线下面积(AUC) 评估模型预测性能。
该研究将来自六个地区的 39 个机构的 3,182 名和 260 名患者分别纳入训练队列和验证队列。两个队列中患者的90DM 率分别为5.6%和6.2%。作者发现不论是训练集还是验证集中，与cv-Enet(0.796,95%C1 0.784-0.808)、glmboost(0.79795% C10.785)和集成模型(0.847，95%C10.836-0.858)相比，RF 模型区分度最高，且有较高的AUC值。
3.幽门螺杆菌相关铁死亡基因 +多组学+分子对接+多种机器学习
题目是“Comprehensive analysis of the function of helicobacter-associated ferroptosis gene YWHAE in gastric cancer through multi-omics integration, molecular docking, and machine learning”。
3.使用机器学习模型预测幽门螺杆菌根除患者胃癌患病风险
2021年，来自香港大学的Wai K. Leung等人利用患者的简单信息开发了机器学习模型来预测幽门螺杆菌根除术后患上胃癌的风险，这种模型可以大大减少需要内窥镜监测的患者数量。并在Alimentary Pharmacology & Therapeutics（IF：9.52，医学1区 Top）期刊上发表题为“Applications of machine learning models in the prediction of gastric cancer risk in patients after Helicobacter pylori eradication”的文章。
胃癌是全球最常见的恶性肿瘤之一，其死亡率在全球癌症死亡中排名第三。胃癌的发生与幽门螺杆菌感染密不可分，有研究已经证明根除幽门螺旋杆菌可将胃癌发展的风险降低约40%，然而相当一部分根除幽门螺旋杆菌的受试者仍会发展为胃癌，因此幽门螺杆菌根除后患上胃癌的风险仍然未知。目前已经证明年龄、药物、胃癌家族史、吸烟和某些饮食习惯这些临床参数会增加胃癌发展的风险。先前的研究通过各种临床风险评分来预测胃癌进展的风险，所有这些评分系统都需要使用内窥镜、血清学甚至组织学检查结果，迄今为止还没有一个仅基于临床参数的准确评分系统。随着机器学习算法的日益普及，本研究旨在基于简单的临床参数和用药，探索使用机器学习模型预测根除幽门螺杆菌患者未来胃癌发展风险的可行性。
为了预测幽门螺杆菌根除后5年内胃癌发展的风险，该项研究构建7个机器学习模型，包括逻辑回归，稀疏神经网络、LASSO算子等。其中SVM, RF, SGB和XGBoost作为需要调优的机器学习模型经过10倍交叉验证来选择超参数。模型的评价指标包括AUC、敏感性、特异性等。
如表1 和图2 所示在7个机器学习模型中， XGBoost在预测癌症发展方面表现最佳(AUC 0.97, 95%CI 0.96-0.98)。表2总结了需要内镜监测的病例数和不同模型遗漏的胃癌病例数。在XGBoost模型中，被认为是胃癌高危患者的人数为6.6%，漏检率为1.9%。
基于简单的基线临床信息和用药史，本文利用XGBoost开发了一个机器学习模型，可以准确预测幽门螺杆菌感染后胃癌发展的风险。该机器学习模型能够提供有效的内镜监测方案，将极低风险患者排除在不必要的监测之外。
4.“基于舌象的胃癌机器学习诊断工具开发：一项前瞻性多中心临床队列研究”
现代研究表明，舌象和舌苔的变化与口腔/舌苔微生物群密切相关，而口腔微生物与胃炎、肝癌、结直肠癌等疾病相关。
基于此，团队研究了舌象与胃癌的关系并结合人工智能（AI）开发了基于舌象的胃癌诊断新技术。相关研究成果于2023年2月6日以“基于舌象的胃癌机器学习诊断工具开发：一项前瞻性多中心临床队列研究”（“Development of a tongue image-based machine learning tool for the diagnosis of gastric cancer: a prospective multicentre clinical cohort study”）为题发表于《柳叶刀》子刊《eClinicalMedicine》。
在本研究中，团队开展了一项前瞻性多中心临床研究，从中国10个中心招募了937名胃癌患者和1911名非胃癌参与者（健康人、浅表性胃炎、萎缩性胃炎），应用AI深度学习的方法，建立了3种完全不同的诊断模型（APINet模型、TransFG模型和DeepLabV3+模型，排除单一模型带来的结果偏差），以评估舌象在胃癌诊断中的作用。此外，从另外7个中心招募了294名胃癌患者和521名非胃癌参与者进行独立外部验证（图1）。
此外，我们进一步比较了基于舌象的诊断技术与现有8种血液肿瘤指标对胃癌的诊断价值差异。在内部验证中的8种血液肿瘤指标的联合诊断AUC值为0.67-0.69，外部验证中为0.64-0.68，显著低于舌象诊断技术。
4.利用初始内窥镜检查和组织学结果进行个性化胃癌发病率预测
方法：我们回顾性评估了1099例慢性胃炎患者，他们接受了食道胃十二指肠镜检查（EGD）和胃黏膜活检。将患者随机分为训练集和测试集（比例为4:1）。我们构建了传统的Cox比例风险模型和3个ML模型。对初始EGD时的基线特征、内窥镜萎缩程度以及胃炎-肠化生评估（OLGIM）/胃炎评估（OLGA）阶段进行了全面评估。采用Harrel's c-index评估模型性能。
