新方法可区分与头颈癌相关的肺肿瘤
在一项新的研究中，来自德国多个研究机构的研究人员测试了几种机器学习算法，以了解它们如何识别与头颈癌相关的肺肿瘤(即由头颈癌转移到肺部形成的肺转移瘤)和与头颈癌不相关的肺肿瘤(即原发性肺肿瘤)之间的差异。
在一项新的研究中，来自德国多个研究机构的研究人员测试了几种机器学习算法，以了解它们如何识别与头颈癌相关的肺肿瘤(即由头颈癌转移到肺部形成的肺转移瘤)和与头颈癌不相关的肺肿瘤(即原发性肺肿瘤)之间的差异。相关研究结果发表在2019年9月11日的Science Translational Medicine期刊上，论文标题为“Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases”。在这篇论文中，他们描述了这些算法以及它们在测试时的效果。
正如这些研究人员指出的那样，患有头颈瘤的患者也有患上继发性肺肿瘤的风险。但有时候，这类患者还会患上与头颈癌无关的原发性肺肿瘤。重要的是，治疗这些患者的医生必须能够区分这些肺肿瘤类型，这是因为每种肺肿瘤类型都需要不同的治疗方法。此外，这些研究人员还指出，一种癌症类型，特别是头颈鳞状细胞癌(head and neck squamous cell carcinoma, HNSC)，一旦扩散到身体的其他部位，如肺部，就被认为是无法治愈的。但是，另一种称为肺鳞状细胞癌(lung squamous cell carcinoma, LUSC)的癌症类型通常可以通过手术治愈。因此，医生尽可能快速准确地识别它们至关重要。不幸的是，目前还没有区分这些肿瘤类型的技术。在这项新的研究中，这些研究人员测试了三种基于神经网络的机器学习算法，以观察它们能够做得多好。其中的一种机器学习算法是他们还开发出的一种称为人工神经网络(artificial neural network)的算法，另外两种机器学习算法是支持向量机(support vector machines)和随机森林(random forests)。
一旦这些算法准备好使用，这些研究人员就通过给它们提供来自1071名患有肺鳞状细胞癌或头颈鳞状细胞癌的患者的生化样品数据，同时还给它们提供来自具有健康肺部的人的样品，从而教导它们区分不同的肺肿瘤类型。他们报道在区分这些肺肿瘤类型方面，人工神经网络表现最佳，准确率为96.4%，支持向量机和随机森林的准确率分别为95.7%和87.8%。他们还报道在另一项针对具有头颈鳞状细胞癌病史的患者的测试中，人工神经网络表现最佳，准确率大约为98%。
这些研究人员指出他们的结果是有前景的，但也注意到，还需开展更多的研究来确保人工神经网络在真实环境中发挥作用。他们还想知道它是否适用于身体其他部位的肿瘤。
相关文章
评论
我要跟帖
