企鹅医生第156期｜每周医疗人工智能科研速递
接收每周医疗人工智能前沿科研导读，每周医疗智能科技每周分享会HIT Webinar，以及特邀HealthX Talk，与对医疗科技感兴趣的教授、研发专家、博士生、创业者、投资人交流。
如果你熟悉掌握医疗影像、人工智能算法研发、软件开发、传感器设备、生物信息学等医疗科技相关技术，欢迎加入我们的项目组，与我们一起务实奋进，创造医疗的智能未来！
关注HealthX公众号，菜单栏点击「加入我们」了解更多！
https://www.science.org/doi/10.1126/scitranslmed.abn6036
1.可穿戴设备。医疗可穿戴设备的现状是什么，被定义为无创、身体上的传感器，能够以临床精度提供连续的数据？本综述中，Xu 等人总结了生物物理和生物化学数据分类的主流医疗可穿戴设备的现状。他们强调了转化差距，如处方医疗可穿戴设备所需粘合剂的皮肤不耐受。他们还描述了新兴的生物物理和生物化学传感器，提供独特的测量，包括皮肤水合传感器跟踪屏障功能和汗液传感器检测电解质、代谢物和小生物分子。最后，除了挑战外，他们还讨论了解决生命开始和结束护理中令人信服的需求的机会，以及追踪传染病的传播。
https://www.thelancet.com/journals/ebiom/article/PIIS2352-3964(22)00497-2/fulltext
2.脂肪肝。肝脏脂肪是心脏代谢风险的重要标志物，但由于手动测量困难，在计算机断层扫描 (CT) 上未常规评估。Modanwal 等人开发了一种基于深度学习的流水线，在非增强 CT 上对肝脏和脾脏进行准确分割，并自动估计肝脏和肝脾衰减比，用于肝脏脂肪评估。将该产品线应用于大型多中心 COVID-19 感染患者队列，他们观察到脂肪肝患者发生重度感染（即需要有创机械通气、体外膜肺氧合或死亡）的比例更高。
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2796833
3. RCT。评估直接影响临床决策的机器学习干预的随机临床试验 (RCT) 的现状是什么？在41项机器学习干预 RCT 的系统性综述中，Plana等人发现大多数 FDA 批准的机器学习启用的医疗器械在 RCT 中没有证明疗效而被批准，本综述纳入的试验都没有遵守所有 CONSORT-AI 标准。此外，只有27%的试验报告了人种和种族数据，在这些试验中，代表不足的少数群体参与者的中位比例为21%。
https://www.science.org/doi/10.1126/scitranslmed.abo4802
4. 乳腺癌。乳腺磁共振成像(MRI) 在检测乳腺癌方面具有高度敏感性，但通常会导致不必要的活检。Witowski 等人开发了一个强大的深度学习系统，通过预测接受 DCE-MRI 的患者的乳腺癌，提高动态对比增强 MRI(DCE-MRI) 的特异性，从而减少不必要活检的数量。该系统的性能与5名委员会认证的乳腺放射科医师一样好，在国际数据集中推广到其他人群，可以减少BI-RADS 4 病变患者不必要的活检。
https://www.nature.com/articles/s41467-022-33291-z
5.药物反应。当给予靶向治疗而不考虑耐药性可能会降低患者的生存期时，预测癌症治疗的反应是困难的。Chawla 等人开发了一个基于深度学习的框架，根据基因表达谱和药物描述符预测对癌症治疗的反应。与过去的研究不同，该模型明确使用通路活性评分突出了导致耐药性的基础生物学机制，揭示了治疗耐药和敏感性背景下药物和通路的临床和生物学相关相关性。此外，使用数字药物描述符允许框架推断几乎任何样本-药物对的药物敏感性。
https://jamanetwork.com/journals/jama/article-abstract/2796826
6.责任。医生在使用来自“诊断前”可穿戴设备，如 Fitbit 的信息来诊断患者时，可能会遇到什么责任？在这一观点中，Simon等人在将一般健康产品用于诊断目的时，检查患者、医生和生产商的合法治疗。他们指出，FDA并没有对目前消费者可获得的大多数诊断前产品进行监管，到目前为止几乎没有基于侵权的诉讼。最后，他们建议一些潜在的解决方案来解决未解决的责任问题，包括建议各州详细说明医生应将从诊断前产品收到的数据与任何其他患者自我报告的症状一样，用于责任目的。
https://jamanetwork.com/journals/jamaophthalmology/fullarticle/2795933
7. 生成对抗网络。生成对抗网络 (GANs) 能否生成光学相干断层扫描 (OCT) 图像来训练青光眼检测的深度学习模型？Sreejith Kumar 等人开发了用于生成正常和青光眼患眼的高分辨率乳头周围 OCT 图像的GAN。他们表明，与具有真实数据的分类器 (n = 1200) 相比，使用足够合成图像训练的深度学习分类器 (n = 200K) 在内部测试数据集中达到了相当的性能，在外部测试数据集中达到了更好的性能。此外，类激活图显示，合成图像分类器识别真实图像和合成图像的一致区域，用于将扫描分类为正常或青光眼。
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2797033
8. 母体发病率。目前，在分娩入院开始时手动计算重度母体疾病 (SMM) 的风险。AI 可以自动化进行风险评估吗？Clapp 等人将自然语言处理 (NLP) 应用于 SMM 风险分层的标准临床入院记录。与目前机构标准的经验证的风险分层工具相比，这种基于NLP 的工具在识别 SMM 高风险患者方面表现出相似的能力。此外，与任一工具单独使用相比，两种工具的组合显示出更高的灵敏度和相似的阳性预测值。
Emma Chen，Pranav Rajpurkar, Eric Topol
关于HealthX Club
HealthX医疗科技俱乐部是上海交大的学生组织，成立于2021年。俱乐部志在探索人工智能、基因工程等前沿科技对医疗行业的颠覆性革命。从生物医学和工程技术两个角度出发，跨界探索未来医疗的无限可能，推动医疗与前沿科技的深度交叉。HealthX俱乐部成员有来自上海交通大学、复旦大学、卡内基梅隆大学、斯坦福大学、麻省理工大学、北京大学、清华大学等顶尖高校的博士研究生、本科生，上海交大附属医院如新华医院、瑞金医院、仁济医院、上海市第一人民医院、上海市第六人民医院、上海市第九人民医院、上海市儿童医院等医院的医生。同时，HealthX俱乐部也吸引汇聚了一批医疗科技行业的研究专家、创业者和投资人。欢迎志同道合的你加入我们！关注HealthX公众号，菜单栏点击「加入我们」进入俱乐部交流群！
请添加HealthX Club成立人微信，提供一段简短的自我介绍及感兴趣的生物医疗科技方向，加入HealthX Club社群。