Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Trí tuệ nhân tạo trong việc phòng ngừa và dự đoán u đại trực tràng
Tóm tắt
Nội soi đại tràng là một xét nghiệm sàng lọc ung thư hữu ích. Tuy nhiên, ở những quốc gia có nguồn tài nguyên y tế hạn chế, có những hạn chế trong việc sử dụng rộng rãi nội soi. Do đó, cần có các phương pháp sàng lọc không xâm lấn để xác định xem bệnh nhân có cần thực hiện nội soi đại tràng hay không. Ở đây, chúng tôi đã nghiên cứu xem trí tuệ nhân tạo (AI) có thể dự đoán u neoplasia đại tràng hay không. Chúng tôi đã sử dụng dữ liệu từ các cuộc kiểm tra thể chất và phân tích máu để xác định tỷ lệ mắc polyp đại tràng. Tuy nhiên, những đặc điểm này thể hiện các lớp phân loại chồng chéo nhau. Việc sử dụng phương pháp ước lượng mật độ kernel (KDE) để biến đổi đã cải thiện khả năng tách biệt giữa hai lớp. Cùng với ngưỡng kích thước polyp hợp lý, hiệu suất của các mô hình học máy (ML) tối ưu đã cung cấp hệ số tương quan Matthews (MCC) là 0.37 và 0.39 cho các tập dữ liệu của nam và nữ, tương ứng. Các mô hình cho thấy khả năng phân biệt cao hơn so với xét nghiệm máu ẩn trong phân, với MCC là 0.047 và 0.074 cho nam và nữ, tương ứng. Mô hình ML có thể được chọn theo ngưỡng phân biệt kích thước polyp mong muốn, có thể gợi ý thêm các sàng lọc đại tràng và kích thước có thể của adenoma. Biến đổi đặc trưng KDE có thể phục vụ để đánh giá từng chỉ số sinh học và các yếu tố nền (lối sống lành mạnh) để gợi ý các biện pháp cần thực hiện chống lại sự phát triển của adenoma đại tràng. Tất cả thông tin mà mô hình AI cung cấp có thể làm giảm khối lượng công việc cho các nhà cung cấp dịch vụ y tế và được triển khai trong các hệ thống chăm sóc sức khỏe có nguồn lực hạn chế. Hơn nữa, phân loại rủi ro có thể giúp chúng tôi tối ưu hóa hiệu quả nguồn lực cho việc sàng lọc nội soi đại tràng.
Từ khóa
#trí tuệ nhân tạo #u đại trực tràng #sàng lọc ung thư #nội soi đại tràng #học máyTài liệu tham khảo
Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2018;68(6):394–424.
Sung JJY, Lau JYW, Goh KL, Leung WK, Chen MH, Li CJ, et al. Increasing incidence of colorectal cancer in Asia: implications for screening. Lancet Oncol. 2005;6(11):871–6.
Mandel JS, MP H, Bond JH, Church TR, Snover DC, Bradley GM, et al. Reducing mortality from colorectal cancer by screening for fecal occult blood. N Engl J Med. 1991;328(19):1365–71.
Levin B, Lieberman DA, McFarland B, Smith RA, Brooks D, Andrews KS, et al. Screening and surveillance for the early detection of colorectal cancer and adenomatous polyps, 2008: a Joint Guideline from the American Cancer Society, the US Multi-Society Task Force on Colorectal Cancer, and the American College of Radiology. CA Cancer J Clin. 2008;58(3):130–60.
Zauber AG, Winawer SJ, O’Brien MJ, Lansdorp-Vogelaar I, van Ballegooijen M, Hankey BF, et al. Colonoscopic polypectomy and long-term prevention of colorectal-cancer deaths. N Engl J Med. 2012;366(8):687–96.
Goss PE, Strasser-Weippl K, Lee-Bychkovsky BL, Fan L, Li J, Chavarri-Guerra Y, et al. Challenges to effective cancer control in China, India, and Russia. Lancet Oncol. 2014;15(5):489–538.
Byeon J-S, Yang S-K, Kim T, Kim WH II, Lau JYW, Leung W-K, et al. Colorectal neoplasm in asymptomatic Asians: a prospective multinational multicenter colonoscopy survey. Gastrointest Endosc. 2007;65(7):1015–22.
Wolf AMD, Fontham ETH, Church TR, Flowers CR, Guerra CE, LaMonte SJ, et al. Colorectal cancer screening for average-risk adults: 2018 guideline update from the American Cancer Society. CA Cancer J Clin. 2018;68(4):250–81.
Imperiale TF, Ransohoff DF, Itzkowitz SH, Levin TR, Lavin P, Lidgard GP, et al. Multitarget stool DNA testing for colorectal-cancer screening. N Engl J Med. 2014;370(14):1287–97.
Koo JH, Leong RWL, Ching J, Yeoh KG, Wu DC, Murdani A, et al. Knowledge of, attitudes toward, and barriers to participation of colorectal cancer screening tests in the Asia-Pacific region: a multicenter study. Gastrointest Endosc. 2012;76(1):126–35.
Kaminski MF, Polkowski M, Kraszewska E, Rupinski M, Butruk E, Regula J. A score to estimate the likelihood of detecting advanced colorectal neoplasia at colonoscopy. Gut. 2014;63(7):1112–9.
Yeoh K-G, Ho K-Y, Chiu H-M, Zhu F, Ching JYL, Wu D-C, et al. The Asia-Pacific colorectal screening score: a validated tool that stratifies risk for colorectal advanced neoplasia in asymptomatic Asian subjects. Gut. 2011;60(9):1236–41.
Ribeiro E, Uhl A, Wimmer G, Häfner M. Exploring deep learning and transfer learning for colonic Polyp classification. Comput Math Methods Med. 2016;2016(26):1–16.
Wang S, Yao J, Summers RM. Improved classifier for computer-aided polyp detection in CT colonography by nonlinear dimensionality reduction. Med Phys. 2008;35(4):1377–86.
Chiang IJ, Shieh MJ, Hsu JYJ, Wong JM. Building a medical decision support system for colon polyp screening by using fuzzy classification trees. Appl Intell. 2005;22(1):61–75.
Hornbrook MC, Goshen R, Choman E, O’Keeffe-Rosetti M, Kinar Y, Liles EG, et al. Early colorectal cancer detected by machine learning model using gender, age, and complete blood count data. Dig Dis Sci. 2017;62(10):2719–27.
Eisner R, Greiner R, Tso V, Wang H, Fedorak RN. A machine-learned predictor of colonic polyps based on urinary metabolomics. Biomed Res Int. 2013;2013(303982):1–11.
Nartowt BJ, Hart GR, Muhammad W, Liang Y, Stark GF, Deng J. Robust machine learning for colorectal cancer risk prediction and stratification. Front big data. 2020;3:5.
Kawakami E, Tabata J, Yanaihara N, Ishikawa T, Koseki K, Iida Y, et al. Application of artificial intelligence for preoperative diagnostic and prognostic prediction in epithelial ovarian cancer based on blood biomarkers. Clin Cancer Res. 2019;25(10):3006–15.
Putin E, Mamoshina P, Aliper A, Korzinkin M, Moskalev A, Kolosov A, et al. Deep biomarkers of human aging: application of deep neural networks to biomarker development. Aging. 2017;8(5):1021–33.
Guo Y, Yu H, Chen D, Zhao YY. Machine learning distilled metabolite biomarkers for early stage renal injury. Metabolomics. 2020;16(1):1–10.
Singh BK. Determining relevant biomarkers for prediction of breast cancer using anthropometric and clinical features: a comparative investigation in machine learning paradigm. Biocybern Biomed Eng. 2019;39(2):393–409.
Chua W, Purmah Y, Cardoso VR, Gkoutos GV, Tull SP, Neculau G, et al. Data-driven discovery and validation of circulating blood-based biomarkers associated with prevalent atrial fibrillation. Eur Heart J. 2019;40(16):1268–76.
Davenport JR, Cai Q, Ness RM, Milne G, Zhao Z, Smalley WE, et al. Evaluation of pro-inflammatory markers plasma C-reactive protein and urinary prostaglandin-E2 metabolite in colorectal adenoma risk. Mol Carcinog. 2016;55(8):1251–61.
Ferlitsch M, Moss A, Hassan C, Bhandari P, Dumonceau JM, Paspatis G, et al. Colorectal polypectomy and endoscopic mucosal resection (EMR): European Society of Gastrointestinal Endoscopy (ESGE) Clinical Guideline. Endoscopy. 2017;49(3):270–97.
Ponugoti PL, Cummings OW, Rex DK. Risk of cancer in small and diminutive colorectal polyps. Dig Liver Dis. 2017;49(1):34–7.
Rex D, Cutler C, Lemmel G, Rahmani E, Clark D, Helper D, et al. Colonoscopic miss rates of adenomas determined by back-to-back colonoscopies. Gastroenterology. 1997;112(1):24–8.
Kim B, Jeong YS, Jeong MK. New multivariate kernel density estimator for uncertain data classification. Ann Oper Res. 2020;303:413–31.
Wang FW, Chuang HY, Tu MS, King TM, Wang JH, Hsu CW, et al. Prevalence and risk factors of asymptomatic colorectal diverticulosis in Taiwan. BMC Gastroenterol. 2015;15(1):5–10.
Huang YQ, Liang CH, He L, Tian J, Liang CS, Chen X, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer. J Clin Oncol. 2016;34(18):2157–64.
Lundberg SM, Erion G, Chen H, DeGrave A, Prutkin JM, Nair B, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56–67.
Lundberg SM, Nair B, Vavilala MS, Horibe M, Eisses MJ, Adams T, et al. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat Biomed Eng. 2018;2(10):749–60.
Johnson CM, Wei C, Ensor JE, Smolenski DJ, Amos CI, Levin B, et al. Meta-analyses of colorectal cancer risk factors. Cancer Causes Control. 2013;24(6):1207–22.
Yamamoto T, Huang T, Zhu Y, Hu Y, Hisatome I, Yuan H, et al. High uric acid directly inhibits insulin signalling and induces insulin resistance. Biochem Biophys Res Commun. 2014;447(4):707–14.
Hwang ST, Cho YK, Park JH, Kim HJ, Park D, Il, Sohn C, Il, et al. Relationship of non-alcoholic fatty liver disease to colorectal adenomatous polyps. J Gastroenterol Hepatol. 2010;25(3):562–7.
Otake S, Takeda H, Suzuki Y, Fukui T, Watanabe S, Ishihama K, et al. Association of visceral fat accumulation and plasma adiponectin with colorectal adenoma: evidence for participation of insulin resistance. Clin Cancer Res. 2005;11(10):3642–6.
Crespo-Sanjuán J, Calvo-Nieves MD, Aguirre-Gervás B, Herreros-Rodríguez J, Velayos-Jiménez B, Castro-Alija MJ, et al. Early detection of high oxidative activity in patients with adenomatous intestinal polyps and colorectal adenocarcinoma: myeloperoxidase and oxidized low-density lipoprotein in serum as new markers of oxidative stress in colorectal cancer. Lab Med. 2015;46(2):123–35.
Passarelli MN, Newcomb PA, Makar KW, Burnett-Hartman AN, Potter JD, Upton MP, et al. Blood lipids and colorectal polyps: testing an etiologic hypothesis using phenotypic measurements and mendelian randomization. Cancer Causes Control. 2015;26(3):467–73.
Crotta S, Segnan N, Paganin S, Dagnes B, Rosset R, Senore C. High rate of advanced adenoma detection in 4 rounds of colorectal cancer screening with the fecal immunochemical test. Clin Gastroenterol Hepatol. 2012;10(6):633–8.
Liu R, Su X, Long Y, Zhou D, Zhang X, Ye Z, et al. A systematic review and quantitative assessment of methylation biomarkers in fecal DNA and colorectal cancer and its precursor, colorectal adenoma. Mutat Res - Rev Mutat Res. 2019;779(January):45–57.