第一部分人工智能决策系统在乳腺癌临床应用中的探索性研究第一章人工智能决策系统在乳腺癌治疗中应用的可行性分析目的:探讨人工智能决策系统在我国乳腺癌患者临床实际应用中的可行性和适用率,初步对比人工智能推荐的治疗方案与临床实际的方案之间的一致性,为后续探索人工智能系统在临床中的应用模式和价值奠定基础。材料和方法:该研究共纳入2017年6月1日-30日我科经治的不同阶段、不同类别的乳腺癌患者。收集患者的临床及病理信息(分期、分型、治疗情况等信息),导入智能决策系统并产出智能决策,其中早期乳腺癌回顾性对辅助治疗进行决策,晚期乳腺癌回顾性对一线解救治疗进行决策,记录成功生成决策和无法生成决策的病例,并对比智能决策和实际决策的符合率,以率的形式报告结果。结果:共筛选436乳腺癌患者,47.1%(n=205)的病例可成功生成智能决策,其中筛选149早期患者,76人可生成辅助治疗智能决策,适用率51.3%。筛选287晚期患者,129人可生成解救治疗智能决策,适用率45%。分析不适用的原因主要为智能系统无法识别既往治疗方案(72.3%)、病理类型不符(13.4%)和智能系统评估病灶失败(12.6%)等。智能决策和实际决策之间的符合率为45.8%,早期乳腺癌符合率高于晚期乳腺癌(55.2%vs 40.3%,p=0.038)。结论:本研究提示人工智能决策系统在我国乳腺癌临床实践中应用具有一定的可行性与潜在的应用价值,为后续人工智能决策系统的而进一步研究奠定了基础。未来的研究需要针对本研究发现的合适人群,在更大的人群中并对人工智能决策的规范性和价值进一步评估。第二章人工智能决策系统与不同年资医生在乳腺癌治疗中的对比性研究目的:评估在不同类别、不同阶段乳腺癌中,人工智能决策系统治疗推荐和不同年资肿瘤医生治疗推荐的符合率,并通过专业乳腺癌治疗指南评估两种决策之间的规范性。材料与方法:这是一项前瞻性、多中心、大样本、对比性研究,该研究通过了机构伦理审查委员会批准。通过中国临床肿瘤学会乳腺癌数据库,获取2012～2017年符合入排标准的1977例具有高复发风险早期乳腺癌或转移性乳腺癌病例,以分析智能决策系统方案与10位不同年资肿瘤专科医师方案(分为高、中、低年资)之间的差异。所有决策均为前瞻性提供,每位肿瘤专科医师以盲法提供平均198份病例的治疗建议,智能决策系统提供所有1977份病例的治疗建议。比较医生决策和人工智能决策之间的符合率,同时以NCCN和CSCO乳腺癌指南为标准,判断比较两种决策的指南符合率,以率和逻辑回归比值比报告结果,符合率以数值的形式报告,如50%报告为0.50。结果:在全部1977例乳腺癌病例中,有1192例早期乳腺癌进行辅助治疗决策,396例晚期乳腺癌进行一线解救治疗决策,389例晚期乳腺癌进行二线解救治疗决策。智能决策与肿瘤医生决策总体符合率为0.56,决策符合率受分期、分子分型和治疗阶段的影响,对于不同分期乳腺癌,II期、III期和IV期乳腺癌的一线治疗符合率高于I期乳腺癌中的符合率(0.66,0.56和0.53 vs 0.45,p值均<0.05)。对于不同分子分型乳腺癌,三阴性乳腺癌符合率高于其它亚型乳腺癌(0.69 vs 0.54,0.46和0.56,p值均<0.01)。对于不同的治疗阶段,辅助放疗和辅助靶向治疗有着最高的符合率(均大于0.95),辅助内分泌治疗和辅助化疗符合率中等(分别为0.81和0.78),一线解救和二线解救治疗中决策的符合率最低(分别为0.52和0.50)。其中相比中、高年资医生,智能决策系统与低年资医生符合率更高(0.54、0.49比0.68,p<0.001)。在与乳腺癌指南的符合率方面,人工智能决策的指南符合率可达0.81,但明显低于肿瘤医生(0.81 vs 0.96,p<0.01),高年资医生和中年资医生决策的指南符合率无明显差异(0.96 vs 0.98,p=0.06),低年资医生决策符合率明显低于高年资医生(0.93 vs 0.96,p=0.05)。智能决策系统的指南符合率受分期和分子分型的影响,在I期乳腺癌(0.9 vs 0.57和0.78,p<0.001)和三阴性乳腺癌(0.92vs 0.83,p<0.001)中指南符合率更高。结论:人工智能决策与医生决策符合率受乳腺癌分期及分型的影响,通过乳腺癌专业指南,首次验证了WFO智能决策与不同年资医生的差异及决策的规范性,提示WFO在乳腺癌治疗中展示出较好的可行性和规范性,但决策水平距离高水平乳腺癌专科医生尚有一定差距。有必要对该智能系统的可扩展性、其临床最佳应用模式及对医生治疗决策的影响进一步探索。第三章人工智能对医生决策影响的探索性研究目的:探索人工智能决策系统对肿瘤医生治疗决策的影响,评估在人工智能系统的辅助应用下,医生决策的具体方案和规范性的变化。材料与方法:针对来自中国临床肿瘤学会乳腺癌数据库的1977例具有高复发风险早期乳腺癌或转移性乳腺癌病例,10名肿瘤医生在盲态情况给出决策后,将智能决策提供给医生,由医生决定是否更改最初的推荐方案,再次给出治疗决策,比较医生前后两次决策的差异及原因。同时以乳腺癌专业指南为标准,判断肿瘤医生前后两次决策的指南符合率。以率和逻辑回归比值比报告结果。结果:在1977份病例中,有105例(5%)的治疗决策发生了变化,主要集中在激素受体阳性(HR+)乳腺癌和晚期乳腺癌的一线治疗决策中(分别为73%和58%)。Logistic回归分析结果显示,HR阳性乳腺癌的决策更有可能更改(OR:1.58,p<0.05),而IIA(OR:0.29,p<0.05)、IIIA期(OR:0.08,p<0.01)乳腺癌决策改变的可能性更小。智能决策证据等级更高(63%的病例)、智能决策方案更适合患者病情(23%)是医生更改决策的主要原因。患者的年龄等因素和肿瘤医生的经验与决策的改变无关。在使用人工智能工具后,医生决策的指南符合较前明显提高(0.5%,p=0.003),特别是在HR阳性/HER2阴性乳腺癌中(0.77%,p<0.001)。结论:人工智能决策系统对肿瘤医生制定方案具有一定影响,特别是在HR阳性乳腺癌中。在人工智能的辅助下,医生治疗推荐方案的指南符合率会明显提高,提示人工智能辅助医生进行决策是目前有效的应用模式。需要对医患沟通、患者临床获益进行进一步研究,以确立人工智能决策技术的对医生帮助的最终价值。第二部分基于人工智能算法预测化疗骨髓毒性的探索性研究第四章不同升白保护模式预防乳腺癌化疗骨髓毒性的对比性研究目的:评价长效升白制剂HHPG-19K对比短效升白制剂预防乳腺癌患者化疗后发生中性粒细胞减少症的有效性和安全性。材料与方法:本研究为随机、对照临床研究,339例计划接受新辅助/辅助治疗的患者随机分为HHPG-19K 100μg/kg组、HHPG-19K 6mg组和5μg/kg/day rh G-CSF组。主要观察指标为3度及以上粒细胞减少的持续时间,次要观察指标为3度及以上粒细胞减少发生率,FN发生率与安全性。结果:第1周期≥3度粒细胞减少的持续时间,HHPG-19K 100μg/kg剂量组、HHPG-19K 6mg固定剂量组和rh G-CSF组分别为1.06(95%CI:0.65,1.26)天、1.23(95%CI:0.84,1.88)天和2.06(95%CI:1.66,2.46)天。HHPG-19K 100μg/kg剂量组和rh G-CSF组差异值为-1.00(95%CI:-1.52,-0.48),HHPG-19K 6 mg/kg剂量组和rh G-CSF组差异值为-0.83(95%CI:-1.36,-0.30),均达到统计学差异(上限界值小于1天的预设值)。HHPG-19K 100μg/kg组、HHPG-19K 6mg组和rh G-CSF组3度及以上粒细胞减少发生率分别为50.45%、50.91%、66.36%,HHPG-19K两组与rh G-CSF组之间差异均有统计学意义。HHPG-19K 100μg/kg组、HHPG-19K6mg组和rh G-CSF组FN发生率4.50%、0%、1.82%,各组间差异无统计学意义。安全性方面,三组不良反应发生率相当。结论:本研究证实了HHPG-19K在乳腺癌骨髓毒性初级预防及多周期应用的有效性和安全性,同时固定剂量给药模式与按体重剂量给药效果类似且临床方便操作,简化了乳腺癌患者的化疗管理,为升白药物的临床应用提供了新的证据与选择。第五章基于人工智能机器学习预测乳腺癌化疗骨髓毒性的探索性研究目的:利用初次接受化疗的乳腺癌病例,初步建立化疗第1周期中性粒细胞下降的二分类预测模型,评估不同机器学习算法的可行性和预测效能。材料与方法:基于CSCO BC数据库,本研究纳入2011年1月-2015年9月初次接受新辅助/辅助化疗,具有详细治疗及血常规信息的乳腺癌患者。研究预设应用基于机器学习的Light GBM方法构建预测模型,并与XGBoost、Bernoulli N等方法对4度中性粒细胞下降的预测价值进行比较。结果:研究共入组1083例乳腺癌患者,将数据按8:2的比例分配为训练集和测试集,训练集纳入866份病例,测试集纳入217份病例,两组在年龄、身高、体重、基线血常规、肝功能、化疗方案、升白保护模式等临床因素方面均未见明显差异,可用来进行预测模型的构建与验证。使用Light GBM、XGBoost、Bernoulli NB三种算法建立预测模型,三种模型的准确率分别为0.67、0.58、0.61,ROC曲线下面积分别为0.68、0.60和0.62,Light GBM具有更好的预测效能。结论:本研究建立的乳腺癌患者化疗后4度中性粒细胞下降预测模型,与其它机器学习算法相比,Light GBM机器学习方法具有更高的预测效能,未来可考虑将该模型方法应用于乳腺癌化疗骨髓毒性多分类预测的研究中。