IT思维

公众号/ ScienceAI（ID：Philosophyai）

编辑 | 萝卜皮

目录

使用人工智能帮助癌症患者避免过度辐射

机器学习和人工智能用于快速检测败血症，显着降低死亡风险

人工智能提供了一种更快的方法来预测抗生素耐药性

基于全基因组测序和机器学习的抗菌素耐药性预测

使用人工智能帮助癌症患者避免过度辐射

与非病毒相关的 OPSCC 相比，人乳头瘤病毒（HPV）相关的口咽鳞状细胞癌（OPSCC）具有出色的控制率。多项试验正在积极测试降低这些患者的治疗强度是否可以在降低治疗相关毒性的同时保持肿瘤学平衡。

凯斯西储大学的研究人员开发了 OP-TIL，这是一种生物标志物，可在组织学图像中表征肿瘤浸润淋巴细胞（TIL）和周围细胞之间的空间相互作用。

在这里，研究人员试图测试 OP-TIL 是否可以将 I 期 HPV 相关 OPSCC 患者分为低风险和高风险组，并帮助选择患者进行降级临床试验。

对来自 6 个机构队列的 439 名 I 期 HPV 相关 OPSCC 患者的整个载玻片苏木精和伊红图像探索了 OP-TIL 与患者结果之间的关联。一个机构队列（n = 94）被用来识别最具预后特征并训练 Cox 回归模型来预测复发和死亡的风险。生存分析用于验证算法作为剩余 5 个队列（n = 345）中复发或死亡的生物标志物。所有统计测试都是双面的。

OP-TIL 将有 30 年或以下吸烟史的 I 期 HPV 相关 OPSCC 患者分为低风险组和高风险组，即使在调整年龄、吸烟状况、T 和 N 分类以及 DFS 多变量分析的治疗方式后也是如此。

该研究以「An Imaging Biomarker of Tumor-Infiltrating Lymphocytes to Risk-Stratify Patients With HPV-Associated Oropharyngeal Cancer」为题，于 2021 年 11 月 29 日发布在《JNCI: Journal of the National Cancer Institute》。

论文链接：https://academic.oup.com/jnci/advance-article/doi/10.1093/jnci/djab215/6446037

相关报道：https://medicalxpress.com/news/2022-01-artificial-intelligence-cancer-patients-excessive.html

机器学习和人工智能用于快速检测败血症，显着降低死亡风险

败血症期间的个体差异限制了对患者的适当分类。在第一次临床表现时识别预测随后严重程度的基因表达特征将使临床医生能够识别最危险的患者群体并能够适当地使用抗生素。

不列颠哥伦比亚大学的研究人员，从四个急诊室（ER）和一个重症监护室（ICU）的 348 名患者以及 44 名健康对照中，收集血液 RNA-Seq 和临床数据。使用机器学习和数据挖掘分析基因表达谱，以确定反映疾病严重程度、器官功能障碍、死亡率和特定内型/机制的临床相关基因特征。

获得的基因表达特征可以预测 ER 和 ICU 患者的严重程度、器官功能障碍和死亡率，准确度/AUC 为 77-80%。

网络分析显示，这些特征形成了一个连贯的生物学程序，具有特定但重叠的机制/途径。鉴于败血症的异质性，研究人员询问是否可以将患者分为具有不同机制（内型）和不同严重程度的离散组。

早期败血症患者可分为五种不同且新颖的机制性内型，分别命名为中性粒细胞抑制性/NPS、炎症性/INF、先天性宿主防御/IHD、干扰素/IFN和适应性/ADA，每种类型基于∼200种独特的基因表达差异和不同的途径/机制。

严重性和内型特征表明，在严重败血症和致死性发作之前存在不同的免疫特征，这项研究提供了一种对早期败血症患者进行分类的方法。

该研究以「Predicting sepsis severity at first clinical presentation: The role of endotypes and mechanistic signatures」为题，于 2022 年 1 月 10 日发布在《E Bio Medicine》。

论文链接：https://www.thelancet.com/journals/ebiom/article/PIIS2352-3964(21)00570-3/fulltext

相关报道：https://medicalxpress.com/news/2022-01-machine-ai-rapidly-sepsis-death.html

人工智能提供了一种更快的方法来预测抗生素耐药性

早期使用有效的抗菌治疗对于感染的结果和预防治疗耐药性至关重要。抗菌素耐药性测试可以选择最佳的抗生素治疗方法，但目前基于培养的技术可能需要长达 72 小时才能产生结果。

苏黎世联邦理工学院和巴塞尔大学的研究人员开发了一种新的机器学习方法，可以直接从临床分离株的基质辅助激光解吸/电离-飞行时间 (MALDI-TOF) 质谱图预测抗菌素耐药性。

研究人员在一个新创建的公开可用的质谱图谱数据库上训练了校准分类器，该数据库来自临床上最相关的分离株，具有相关的抗菌药物敏感性表型。

该数据集结合了来自四个医疗机构的超过 300,000 个质谱和超过 750,000 个抗菌素耐药性表型。对一组临床重要病原体（包括金黄色葡萄球菌、大肠杆菌和肺炎克雷伯菌）进行验证，得出受试者工作特征曲线下的面积分别为0.80、0.74和0.74，证明了使用机器学习大大加快抗生素耐药性测定和临床管理变革的潜力。

此外，一项对 63 名患者的回顾性临床案例研究发现，实施这种方法将改变 9 例患者的临床治疗，这对 8 例患者（89%）有益。因此，基于 MALDI-TOF 质谱的机器学习可能是治疗优化和抗生素管理的重要新工具。

该研究以「Direct antimicrobial resistance prediction from clinical MALDI-TOF mass spectra using machine learning」为题，于 2022 年 1 月 10 日发布在《Nature Medicine》。

论文链接：https://www.nature.com/articles/s41591-021-01619-9

相关报道：https://medicalxpress.com/news/2022-01-artificial-intelligence-faster-antibiotic-resistance.html

基于全基因组测序和机器学习的抗菌素耐药性预测

抗菌素耐药性 (AMR) 是威胁人类和动物健康的最大全球问题之一。因此，非常迫切需要快速准确的 AMR 诊断方法。然而，传统的抗菌药敏试验 (AST) 耗时、通量低且仅适用于可培养的细菌。机器学习方法可以为基于细菌基因组数据的自动 AMR 预测铺平道路。然而，在没有先前已知知识的情况下，比较基于不同编码和全基因组测序数据的 AMR 预测的不同机器学习方法仍有待完成。

在这项研究中，菲利普斯-马尔堡大学的研究人员评估了逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）和卷积神经网络（CNN），以预测抗生素环丙沙星、头孢噻肟、头孢他啶和庆大霉素的 AMR。

该团队证明，这些模型可以通过标签编码、one-hot 编码和频率矩阵混沌游戏表示（FCGR 编码）对全基因组测序数据有效地预测 AMR。研究人员在一个大型 AMR 数据集上训练了这些模型，并在一个独立的公共数据集上对其进行了评估。一般来说，RFs 和 CNNs 的性能优于 LR 和 SVM，AUC 高达 0.96。此外，这些方法能够识别出与每种抗生素的 AMR 相关的突变。

该研究以「Prediction of antimicrobial resistance based on whole-genome sequencing and machine learning」为题，于 2021 年 10 月 06 日发布在《Bioinformatics》。

图片

源代码：https://github.com/YunxiaoRen/ML-iAMR

论文链接：https://academic.oup.com/bioinformatics/article/38/2/325/6382301