Page 47 - 中国全科医学2022-18

·2220· http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn

取得了实质性的突破，详见表 3 ［44］ 。但仍存在以下的 数据库进一步验证所提出算法的准确性 。
问题： （3）对某一领域的不熟悉可能会成为研究本身的
（1）数据集相对较少 ［45-47］ 。目前大多数研究数据 技术障碍。ZHANG 等 ［49］ 指出目前更严峻的挑战是深
集单一，缺乏代表性，PERGIALIOTIS 等 ［46］ 建议在未 度学习专家的临床知识有限和临床专家的深度学习知识
来可采用国家和国际环境中的多中心研究，获取大量患 有限。
者的数据信息，有助于构建稳健的算法。 基于以上现存的挑战，目前在宫颈癌的诊断及治疗
（2）单中心回顾性研究的数据集规模小且缺乏外 的临床实践中，更多的是依靠临床医生的精准判断、采
部验证。ACHARYA 等 ［48］ 建议使用更大的、高质量的 取适宜的治疗方案来提高患者生存率。希望未来出现具

表 3 AI 在宫颈恶性肿瘤的诊断及治疗预后中的应用
Table 3 Application of AI in the diagnosis and prognosis of cervical malignancy
数量 作者 时间（年） 数据集 使用数据 AI 模型 应用
3项 a URUSHIBARA 2020 418 MRI CNN 诊断宫颈癌分期
WANG 2020 95 MRI SVM 诊断宫颈癌分期
SOUMYA 2016 24 MRI SVM 诊断宫颈癌分期
15 项 b CHEN 2020 127 CT SVM 淋巴结转移
TIAN 2020 277 CT RF 新辅助化疗的应答
YAN 2020 190 MRI CNN 淋巴结转移
DONG 2020 226 MRI CNN 淋巴结转移
WU 2020 894 MRI CNN 淋巴结转移
WANG 2020 137 MRI SVM 子宫旁组织的浸润
HUA 2020 111 MRI CNN 子宫旁组织的浸润
WANG 2019 96 MRI SVM 淋巴结转移
WU 2019 189 MRI SVM/DT 淋巴结转移
TAKADA 2020 87 MRI RF 同步放化疗后复发
PARK 2020 93 MRI RF 同步放化疗后复发（中位随访 38 个月）
MENG J 2018 34 MRI SVM 同步放化疗后复发（中位随访 31 个月）
TORHEIM T 2014 81 MRI SVM 同步放化疗后复发（中位随访 56 个月）
SHEN 2019 142 PET-CT CNN 同步放化疗后复发（中位随访 40 个月）
ROMAN JG 2016 53 PET-CT RF 同步放化疗后复发（中位随访 42 个月）
10 项 c WEEGAR 2020 17 533 临床指标 SVM/NB/RF 诊断
ASADI 2020 145 临床指标 SVM/ANN 诊断
IJAZ 2020 858 临床指标 SVM/RF/KNN/ANN/NB 诊断
ALSMARITY 2020 858 临床指标 DT/RF 诊断
NITHYA 2019 858 临床指标 SVM/RF/KNN/RPART/C5.0 诊断
SUMAN 2019 858 临床指标 ANN/SVM/RF/DT/Ada/Bayes 诊断
GEETHA 2019 858 临床指标 RF 诊断
FERNANDES 2018 858 临床指标 ANN/SVM/KNN/DT 诊断
ABDOH 2018 858 临床指标 RF 诊断
WU 2017 858 临床指标 SVM 诊断
6项 d XIE 2020 647 临床指标 SVM 无进展生存期和总生存期 ( 时间长短 )
MATSUO 2019 768 临床指标 ANN 无进展生存期和总生存期 ( 时间长短 )
MATSUO 2017 157 临床指标 ANN 复发后 3 个月和 6 个月生存率
OBRZUT 2017 102 临床指标 ANN/SVM/GEP/Κ-Means method 5 年总生存率
PAPADIA 2015 101 临床指标 ANN 新辅助化疗和根治性手术后需要辅助放疗
TSENG 2013 168 临床指标 SVM/C5.0/ELM 复发 ( 随访时间不明确 )
注：CT= 计算机断层扫描，MRI= 磁共振，PET-CT= 正电子发射计算机断层显像，SVM= 支持向量机，ANN= 人工神经网络，KNN=k 最近邻分类，
RF= 随机森林，NB= 朴素贝叶斯，DT= 决策树，NBDT= 朴素贝叶斯决策树，Bayes= 贝叶斯，RPART= 递归分区和回归树，GEP= 基因表达式程序设计，
a
ELM= 极速学习机，Κ-Means method=k 均值法，Ada=AdaBoost 算法（通过迭代弱分类器而产生最终的强分类器的算法）； 表示 3 项研究预测
d
c
b
宫颈癌的分期， 表示 15 项研究预测宫颈癌复发和转移， 表示 10 项研究预测宫颈癌诊断， 表示 6 项研究预测宫颈癌治疗过程