麻省理工學院的新人工智能模型檢測胰腺癌的早期跡象

　　麻省理工學院(MIT CSAIL)的人工智能實驗室與哈佛大學放射腫瘤學系的Limor Apelbaum博士合作，提出了兩種新的人工智能模型，稱為PRISM神經(jīng)網(wǎng)絡(PrismNN)和邏輯回歸(PrismLR)，用于早期檢測胰腺導管腺癌(PDAC)，這是一種致命的癌癥。

　　發(fā)現(xiàn)的重要性

　　PRISM模型在相對風險閾值高出五倍的情況下，可以識別出35%的PDAC病例，而傳統(tǒng)篩查標準可以識別出10%的PDAC病例。這種性能改進標志著早期干預潛力的重大飛躍。

　　胰腺位于腹部深處，早期發(fā)現(xiàn)具有挑戰(zhàn)性，缺乏有效治療凸顯了及早識別高危患者的重要性。

　　研究方法

　　研究團隊利用了一家聯(lián)合網(wǎng)絡公司，利用電子健康記錄 (EHR) 數(shù)據(jù)，這些數(shù)據(jù)包括來自美國不同機構的患者人口統(tǒng)計、診斷、藥物和實驗室結果。這個龐大的數(shù)據(jù)庫涵蓋了超過500萬名患者，確保了模型的可靠性和普遍性，使其適用于不同的人群、地理位置和人口群體。

　　PrismNN 使用人工神經(jīng)網(wǎng)絡來檢測復雜的模式，而 PrismLR 使用邏輯回歸進行更簡單的分析，從相同的 EHR 數(shù)據(jù)中提供對 PDAC 風險的全面評估。

　　研究成果

　　PRISM模型在所有年齡段和種族的患者中都表現(xiàn)出良好的性能。此外，PRISM模型還可以根據(jù)患者的個人風險因素進行調整，這可能會進一步提高其準確性。

　　研究展望

　　該團隊計劃將模型的適用性擴展到美國以外的國際數(shù)據(jù)集，并添加更多的生物標志物以進行更精細的風險評估。

　　與其他研究的比較

　　PRISM模型與其他已發(fā)表的PDAC人工智能模型相比具有以下優(yōu)勢:

　　使用更大的數(shù)據(jù)集進行開發(fā)和驗證，提高了模型的準確性和可靠性。

　　使用常規(guī)臨床和實驗室數(shù)據(jù)進行預測，使其更適用于實際應用。

　　具有更強的泛化能力，可用于不同人群和地理位置的患者。

　　結論

　　PRISM模型是早期檢測PDAC的一種有前途的新方法。它具有高準確性、可靠性和泛化能力，有望改善患者的預后。