基于深度学习的人工智能诊断模型在食管早癌内窥镜筛查中的研究

目的:研究基于深度学习的人工智能(AI)诊断模型应用于食管早癌内窥镜筛查。方法:利用Inception ResNet V2 CNN模型构建深度学习模型,并在Tensor Flow1.9.0框架下进行训练、验证及测试。选取医院收治的80例食管癌患者资料,另选同期在医院进行内窥镜检查的80例食管其他病变患者资料,收集160例患者内窥镜检查时获得的传统白光成像技术图像及窄带成像图像,按照7∶3的比例分为训练组(112例)和验证组(48例),建立基于深度学习的AI诊断模型,收集两组临床基本资料。分析食管早癌内窥镜下特征。以病理学检查结果为“金标准”,分析传统白光成像技术及窄带成像技术对食管早癌的诊断结果。观察不同性质食管病变患者镜下检查结果。分析基于卷积神经网络(CNN)的深度学习方法构建的早期食管癌AI诊断模型与内窥镜医师诊断结果之间的差异。采用受试者工作特征(ROC)曲线下面积(AUC)分析AI诊断模型与低资历内窥镜医师、高资历内窥镜医师诊断的效能。结果:训练组患者基于传统白光成像技术图像及窄带成像图像的病灶表面不光滑占79.46%(89/112),具有黏液附着占72.32%(81/112),伴有糜烂占64.29%(72/112),黏膜颜色发红占90.18%(101/112),上皮微细结构与腺管开口不规则或消失占90.18%(101/112),黏膜下微血管不规则或消失占96.43%(108/112)。经病理学检测结果发现食管早癌患者21例,经传统白光成像技术联合窄带成像技术检测发现食管早癌患者36例。验证组诊断显示,AI诊断模型及低资历内窥镜医师、高资历内窥镜医师诊断的曲线下面积分别为0.932、0.734和0.916;灵敏度分别为91.25%、42.38%和62.26%;特异度分别为97.74%、93.57%和98.14%;准确率分别为94.28%、87.74%和93.41%。AI诊断模型的AUC明显高于低资历内窥镜医师的诊断效能,其差异有统计学意义(Z=2.856,P<0.05)。结论:基于CNN的深度学习方法构建的食管早癌AI诊断模型对食管早癌的诊断具有一定的应用价值,其临床应用对于食管早癌的早期发现及时治疗,延长患者生存时间,改善患者预后意义重大。

共表达PD-L1抑制剂的溶瘤病毒增强胃癌的溶瘤活性研究

目的:探索共表达PD-L1抑制剂的重组溶瘤病毒在胃癌中的抗肿瘤活性。方法:通过PD-1胞外结构域与IgG1 Fc片段结合组成PD-L1抑制剂,将该序列整合至共表达GM-CSF的重组溶瘤病毒的骨架中,获得OV-GM/iPD-L1重组溶瘤病毒。通过体外感染肿瘤细胞,验证其溶瘤活性及检测PD-L1抑制剂的表达情况。同时在体内胃癌移植瘤模型中给予OVGM/iPD-L1治疗,监测肿瘤生长状况,并通过流式细胞术分析浸润T细胞的抗肿瘤免疫激活情况,反映OV-GM/iPD-L1的抗肿瘤活性。结果:成功获得OV-GM/iPD-L1工程化溶瘤病毒,Western blot实验表明其可以有效感染肿瘤细胞并表达PD-L1抑制剂,而且对肿瘤细胞有剂量依赖性细胞毒性。体外实验还表明OV-GM/iPD-L1感染可以中和肿瘤细胞表面的PD-L1的表达(P<0.0001)。体内移植瘤实验显示,OV-GM/iPD-L1较OV-GM溶瘤病毒抑制肿瘤生长的能力更强(P<0.05),流式结果则表明OV-GM/iPD-L1治疗后的肿瘤浸润T细胞具有更强的抗肿瘤活性(P<0.01)。结论:OV-GM/iPD-L1工程化溶瘤病毒可以显著抑制胃癌细胞生长,增强体内的抗肿瘤免疫反应,今后或许可以为胃癌的治疗提供新的治疗方法。