*僅供醫學專業人士閱讀參考
深度學習演算法精準識別RCC復發獲突破。
儘管縱向電子健康記錄（EHR）資料為開發腎細胞癌（RCC）預後模型提供了寶貴的資源，但這些資料缺乏包括復發在內的明確編碼的臨床結局。在2024年歐洲內科學會（ESMO）公佈的一項研究（摘要號1713p）[1]利用這些資料，旨在設計一種深度學習演算法，能夠準確識別侷限性腎細胞癌患者中的復發資訊。
研究方法
整理了在麻省總醫院布里格姆（MassGeneralBrigham）中具有RCC診斷編碼的28,715例患者的編碼和敘述性電子健康記錄資料，包括透過提取的癌症特徵。透過人工病歷審查，為350例患者標註了RCC診斷、復發時間和狀態的金標準標籤。研究使用了一種半監督標籤高效的疾病事件表型深度學習演算法（LATTE），以確定符合條件的腎切除術後非轉移性RCC患者的復發狀態和復發時間。將LATTE在電子健康記錄資料中識別的RCC復發情況與金標準標籤進行驗證，並隨後用於估計按AJCCTNM分期和Fuhrman分級分層的複發率。
研究結果
符合條件的研究佇列包括5,992例患者。透過LATTE在電子健康記錄資料中識別的RCC復發情況在針對標註復發情況的驗證中，C統計量為0.928。估計的5年複發率為16.7%（表1）。研究發現T3期患者的復發風險顯著高於T1期（3.4%）或T2期（14.3%）患者，達到了49.7%。
表1.RCC患者5年複發率
研究結論
本研究成功開發了一種深度學習演算法，能夠從龐大的電子健康記錄資料中識別RCC的復發情況，從而極大地減少了耗時費力且資源密集型的病歷審查需求。作為持續研究工作的一部分，透過LATTE在電子健康記錄資料中識別的RCC復發情況將進一步用於開發精確的復發風險預測模型，以便識別出復發風險較高的侷限性RCC患者。
本研究旨在探索利用EHR的深度學習方法，以精確識別RCC患者的復發情況。RCC作為一種常見的泌尿系統惡性腫瘤，其復發監測對於患者的預後管理至關重要。然而，傳統的復發識別方法，如病歷審查和影像學檢查，不僅耗時費力，而且可能受限於資料完整性和醫生經驗的差異。
為了解決這一問題，本研究團隊開發了一種基於深度學習的演算法，該演算法能夠從大量的電子健康記錄中自動提取和分析與RCC復發相關的關鍵資訊。研究團隊首先對一批具有RCC診斷編碼的患者的EHR資料進行了整理，包括患者的癌症特徵、治療歷史以及後續的隨訪記錄等。隨後，利用半監督學習方法，結合少量的金標準標籤資料（即經過人工驗證的復發情況），對深度學習演算法進行了訓練和驗證。
結果顯示，該演算法在識別RCC復發方面表現出了極高的準確性，C統計量達到了0.928，這意味著演算法能夠很好地區分復發患者和未復發患者。此外，研究團隊還利用該演算法對一批符合條件的RCC患者進行了復發風險評估，並發現不同TNM分期和Fuhrman分級的患者具有顯著的複發率差異，這進一步驗證了演算法的有效性和實用性。
本研究的成功不僅為RCC復發的自動識別提供了一種新的技術手段，也為其他型別癌症的復發監測提供了新的思路。未來，研究團隊將繼續最佳化演算法效能，提高其在不同臨床場景下的適用性和準確性。同時，他們還將探索將該方法應用於更廣泛的癌症型別，以及與其他生物標誌物和基因組資料相結合，以構建更加全面和精準的癌症復發預測模型。
精彩資訊等你來
參考文獻：
[1].Jue Hou,et al.A deep learning approach utilizing the electronic health record (EHR) to identify cancer recurrence in renal cell carcinoma (RCC)
本材料由輝瑞提供，僅供醫療衛生專業人士參考，不用於推廣目的。
