早筛网讯：近日，来自哈佛医学院、哥本哈根大学等单位的研究团队宣布，他们研发了一种名为CancerRiskNet的深度学习算法，可通过患者的病历数据在胰腺癌发生前3年推测出患者的患病风险，AUC可达0.88，能作为大规模人群的的筛查工具。相关文章以“A deep learning algorithm to predict risk of pancreatic cancer from disease trajectories”为题发表于《Nature Medicine》期刊。（IF=87.2） doi: 10.1038/s41591-023-02332-5. Online ahead of print. 胰腺癌因其发病隐匿、病死率高，被称为“癌中之王”。2020年世界卫生组织国际癌症研究机构数据显示，2020年中国胰腺癌新发病例及死亡病例均为12万。胰腺癌早筛早诊十分必要。 为改变胰腺癌的筛查现状和诊治格局，进一步降低胰腺癌的发病率和死亡率，众多科研人员潜心钻研，探索胰腺癌早筛早诊的路径和方法。 由哈佛医学院、哥本哈根大学、波士顿退伍军人医疗保健系统、美国丹娜·法伯癌症研究所和哈佛大学陈曾熙公共卫生学院共同牵头的这一项目引入人工智能方法，以期探索胰腺癌早筛早诊之道，实现在大规模人群开展经济性筛查的目的。 Training and prediction of pancreatic cancer risk from disease trajectories 具体而言，研究人员将深度学习应用于真实世界的疾病轨迹纵向数据集，并建立相应模型，来预测胰腺癌患病的相关风险，进一步设计国家可负担的癌症早期筛查计划。真实世界的疾病轨迹纵向数据集指的是按时间排序的患者就医记录及相关疾病信息编码。这项研究使用了丹麦国家登记处1977——2018年的患者数据集及来自美国退伍军人事务部的数据，覆盖近900万人，其中24000人已被确诊为胰腺癌。 Characteristics of the Danish and US-VA patient registries 该项研究结果表明：具备以下因素的患者患胰腺癌的风险比一般人群要高：不明因素的黄疸/体重减轻、胆道疾病、肝脏疾病、糖尿病、急慢性胰腺炎、肥胖等。研究人员根据临床历史中的疾病代码序列训练了机器学习模型，并测试了对于增量时间窗口内癌症发生的预测。结果表明：对于3年（36个月）内发生的癌症，该模型AUC（曲线下面积）可达0.88；当排除癌症诊断前3个月内的疾病事件后，该模型AUC（曲线下面积）降至0.83。总而言之，该试验结果证实该模型用于胰腺癌高危人群筛查的可行性。 研究团队人员在文章中表示：“实现胰腺癌的早筛早诊需要完成三个基本步骤，第一步是识别高危患者，第二步是通过对高危患者的详细监测发现早期癌症或癌前状态，最后是早期发现后的有效治疗。该研究为识别高危患者作出了贡献。” 哥本哈根大学生物学教授Søren Brunak对此表示，“像胰腺癌这样的难以发现的癌症，对患者本人、家庭以及整个医疗保健系统造成了不成比例的巨大损失。基于人工智能的筛查将是改变胰腺癌诊疗格局的一个契机。” 第二届ZAODX世界肿瘤早筛大会将于2023年9月中旬举办，敬请关注！ -end-加入癌症早筛行业交流群，请关注公众号回复“进群”
