企鹅医生第157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.nature.com/articles/s41467-022-34051-9
1.衰老。机器学习能否帮助我们理解与年龄相关的生理变化与寿命之间的关系？Avchaciov等人结合动态系统理论和机器学习来研究年龄的生物标志物，假设衰老是由生物体状态的动态不稳定导致的。他们开发了一个由自动编码器和自动回归组成的模型，根据全血细胞计数的纵向测量产生一个老化描述符。描述符随年龄呈指数增加，预测小鼠的剩余寿命优于与死亡率相关的两个已知因素。它还与衰老的多个标志相关，并对已知加速或减缓小鼠衰老的干预措施作出反应。
https://www.nature.com/articles/s41592-022-01651-8
2.细胞注释。目前的细胞类型注释方法通常不考虑组织内细胞的空间组织。Brbić等人应用图卷积神经网络在空间分辨单细胞数据集中进行细胞类型的发现和识别。该模型学习捕获细胞空间和分子相似性的细胞嵌入。它自动将单元格分配给之前在引用集中看到的单元格类型，或者通过根据嵌入空间中单元格的最近邻生成辅助标记来发现新的单元格类型。该工具注释了260万个空间分辨的单细胞，用来自人类肠道数据8个区域和8个不同供体的54个蛋白标记物标记。
https://www.nature.com/articles/s41467-022-34025-x
3.组织病理学。诊断研究缺乏足够的材料或具有妨碍组织病理学可靠诊断的形态学歧义并不少见。这意味着基于深度学习的组织病理学应用能够评估自己的预测不确定性非常重要。Dolezal 等人利用贝叶斯神经网络开发了全玻片图像的玻片级不确定度量化方法。他们采用嵌套交叉验证阈值策略从训练数据中确定不确定阈值，防止验证数据泄漏，并在存在域移位的情况下产生可靠的阈值。他们表明，在区分肺腺癌和鳞状细胞癌方面，高可信度的预测胜过预测，没有不确定性。
https://www.nature.com/articles/s41467-022-34257-x
4.放射疗法。准确勾画肿瘤和危及器官 (OAR) 对于放疗至关重要，以向靶肿瘤输送指定剂量，同时保护OAR。然而，手动勾画耗时长，通常会导致放疗显著延迟，并且容易受到观察者内和观察者间变异性的影响。Shi 等人开发了用于 OAR 和肿瘤自动轮廓绘制的自动、多分辨率分割框架，其中粗分辨率模型定位原始图像中的最小感兴趣区 (ROI)，然后是在 ROI 内进行分割的精细分辨率模型。这种粗细策略提高了分割速度，同时降低了 GPU 内存成本。对分布在头部、胸部、腹部、盆腔和全身的65个 OAR 进行了评价，该框架在分割任务中表现出高精度和接近实时的勾画。
https://www.nature.com/articles/s41598-022-22514-4
5.多模式融合。医学成像数据与电子健康记录结合使用了哪些融合策略？融合方法可分为早期融合（在输入节段结合多种模态）、晚期融合（根据不同模态独立模型的预测做出最终决策）、和关节融合（通过每个模型的中间层从不同模态中提取的组合和联合训练特征）。在34项研究的范围审查中，Mohsen等人发现早期融合适合作为首次尝试学习多模式表示，联合融合提供更好的结果但需要较大的数据集，当输入方式相互不互补或数据不完整时，晚期融合更好。
https://pubs.rsna.org/doi/10.1148/radiol.220292
6.肺容量。考虑到肺容量减少是限制性肺病的标志，肺总量 (TLC) 可用于患者监测。然而，从 X 线片手动测量 TLC 费力且耗时。Kim等人在 50K 连续胸部 CT 扫描上预训练深度学习模型，并在3523张胸片上微调，从胸片自动预测TLC。他们表明，较高的 TLC 百分比估计值与特发性肺间质纤维化患者较好的生存率相关。
https://pubs.rsna.org/doi/10.1148/radiol.213199
7.对比增强MRI。深度学习是否可以模拟来自造影前 MRI 序列的造影增强乳腺 MRI 扫描？Chung 等人开发了 3D 卷积神经网络，从5个造影前 MRI 序列模拟造影增强乳腺MRI 扫描。他们表明，真实和模拟的 MRI 扫描在数量上是相似的，根据4名乳腺放射科医师的读片者研究，几乎所有的模拟 MRI 扫描都证明了诊断质量。
https://pubs.rsna.org/doi/10.1148/radiol.220182
8.临床评价。为了对 AI 进行有效的临床评价，应考虑哪些策略和基本方法学知识？在这篇综述中，Park等人解释一些基本的方法学要点，并总结医学诊断 AI 算法临床评价的不同指标、研究设计和外部测试策略。具体来说，他们指出，AI算法更具有普遍性的需求往往会导致在单个站点牺牲强大的性能，而在许多站点牺牲平庸或较差的性能。因此，重要的是要有外部测试的具体目的，并明确普遍性的适当水平和条件。
https://academic.oup.com/jamia/article/30/2/361/6827875
9.伦理。在自适应 ML 的讨论中是否存在被忽视的伦理问题，ML系统在部署后继续学习和适应新的数据？Hatherley 和 Sparrow 解释了适应性 ML 中历时进化（系统随时间的变化）和共时变异（在不同位点进化后同一原始系统拷贝之间出现的差异）之间被忽视的区别。他们讨论了与两类方差相关的伦理问题，包括医患关系和治疗知情同意方面的挑战。具体来说，同步变异会引起使用相同系统的临床研究中心之间的不公平，但目前这种变异的意义被低估了。
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【⚠️加入俱乐部需进行实名认证，在校学生/在职医生免费入会，其他朋友入群需缴俱乐部年费188元】
扫码添加俱乐部负责人微信加入俱乐部