深度学习算法精准识别RCC复发获突破。

尽管纵向电子健康记录（ EHR）数据为开发 肾细胞癌（RCC）预后模型提供了宝贵的资源，但这些数据缺乏包括复发在内的明确编码的临床结局。在2024年 欧洲肿瘤内科学会（ESMO）公布的一项研究（摘要号1713p）

[1]

利用这些数据，旨在设计一种深度学习算法，能够准确识别局限性肾细胞癌患者中的复发信息。

研究方法

整理了在麻省总医院布里格姆（MassGeneralBrigham）中具有RCC诊断编码的28,715例患者的编码和叙述性电子健康记录数据，包括通过自然语言处理提取的癌症特征。通过人工病历审查，为350例患者标注了RCC诊断、复发时间和状态的金标准标签。研究使用了一种半监督标签高效的疾病事件表型深度学习算法（LATTE），以确定符合条件的肾切除术后非转移性RCC患者的复发状态和复发时间。将LATTE在电子健康记录数据中识别的RCC复发情况与金标准标签进行验证，并随后用于估计按AJCCTNM分期和Fuhrman分级分层的复发率。

研究结果

符合条件的研究队列包括5,992例患者。通过LATTE在电子健康记录数据中识别的RCC复发情况在针对标注复发情况的验证中，C统计量为0.928。估计的5年复发率为16.7%（表1）。研究发现T3期患者的复发风险显著高于T1期（3.4%）或T2期（14.3%）患者，达到了49.7%。

表1.RCC患者5年复发率

研究结论

本研究成功开发了一种深度学习算法，能够从庞大的电子健康记录数据中识别RCC的复发情况，从而极大地减少了耗时费力且资源密集型的病历审查需求。作为持续研究工作的一部分，通过LATTE在电子健康记录数据中识别的RCC复发情况将进一步用于开发精确的复发风险预测模型，以便识别出复发风险较高的局限性RCC患者。

本研究旨在探索利用EHR的深度学习方法，以精确识别RCC患者的癌症复发情况。RCC作为一种常见的泌尿系统恶性肿瘤，其复发监测对于患者的预后管理至关重要。然而，传统的复发识别方法，如病历审查和影像学检查，不仅耗时费力，而且可能受限于数据完整性和医生经验的差异。

为了解决这一问题，本研究团队开发了一种基于深度学习的算法，该算法能够从大量的电子健康记录中自动提取和分析与RCC复发相关的关键信息。研究团队首先对一批具有RCC诊断编码的患者的EHR数据进行了整理，包括患者的癌症特征、治疗历史以及后续的随访记录等。随后，利用半监督学习方法，结合少量的金标准标签数据（即经过人工验证的复发情况），对深度学习算法进行了训练和验证。

结果显示，该算法在识别RCC复发方面表现出了极高的准确性，C统计量达到了0.928，这意味着算法能够很好地区分复发患者和未复发患者。此外，研究团队还利用该算法对一批符合条件的RCC患者进行了复发风险评估，并发现不同TNM分期和Fuhrman分级的患者具有显著的复发率差异，这进一步验证了算法的有效性和实用性。

本研究的成功不仅为RCC复发的自动识别提供了一种新的技术手段，也为其他类型癌症的复发监测提供了新的思路。未来，研究团队将继续优化算法性能，提高其在不同临床场景下的适用性和准确性。同时，他们还将探索将该方法应用于更广泛的癌症类型，以及与其他生物标志物和基因组数据相结合，以构建更加全面和精准的癌症复发预测模型。

参考文献：

[1].Jue Hou,et al.A deep learning approach utilizing the electronic health record (EHR) to identify cancer recurrence in renal cell carcinoma (RCC)