摘要：《柳叶刀-发现科学》（The Lancet Discovery Science）是一组开放获取学术期刊，包括柳叶刀旗下eBioMedicine, Part of The Lancet Discovery Science和eClinicalMedicine, P
“
《柳叶刀-发现科学》（The Lancet Discovery Science）是一组开放获取学术期刊，包括柳叶刀旗下eBioMedicine, Part of The Lancet Discovery Science和eClinicalMedicine, Part of The Lancet Discovery Science，涉及的领域包括基础医学研究、转化医学研究、临床研究和卫生系统研究。这组期刊发表重要的初期研究，有助于研究人员和临床医生发现可能改善全世界人们健康和福祉的新机会。柳叶刀特别推出eClinicalMedicine精选论文合辑，分享给读者。
”
论文精选
1
基于定量血管特征的多源恶性颈淋巴结病多模态预测模型
由于阅片人员之间对影像解读的可重复性较低，多源恶性颈淋巴结病的精确预测受限。在这项回顾性研究中，中山大学肿瘤防治中心的林僖及其合作者开发并验证了一种基于定量血管特征的用于评估颈淋巴结病的人工智能框架。
2011年1月至2022年7月期间，中山大学肿瘤防治中心共采集了10,386名患者的10,649幅颈淋巴结（cervical lymph nodes，LN）的21,298张超声图像，以及1,151名患者的1,183幅LN的2,366张图像，用于开发和内部测试。使用重庆大学附属肿瘤医院的360名患者的图像进行外部测试。将B超图像和彩色多普勒超声图像上表征血管分布和丰富程度的定量特征与形态学和语义特征相融合，构建出双模态、多特征、融合淋巴结网络（fusion lymph node network，DMFLNN）。与六位放射科医生的表现进行了比较，并评估其辅助价值。
DMFLNN在内部测试队列中的受试者工作特征曲线下面积（AUC）为0.937，在外部测试队列中为0.875。使用DMFLNN的内部测试队列，资深放射科医生的AUC从0.814提高到0.836（P=0.00018），初级放射科医生的AUC从0.778提高到0.847（P。放射科医生之间的平均一致性从一般提高至中等。外部测试队列也观察到了类似趋势。此外，在内部和外部测试队列中，放射科医生的平均假阳性率分别降低了3.8%和9.8%。DMFLNN可以提高放射医生的工作效率，并可能减少不必要的活检。在广泛应用于临床实践之前，还需要进一步的测试。
2
恩沙替尼治疗伴有MET第14号外显子跳跃突变的晚期或转移性非小细胞肺癌（EMBRACE）：一项多中心、单臂、2期试验
MET第14号外显子跳跃突变（METex14）是非小细胞肺癌（non-small-cell lung cancer，NSCLC）的一个已确定的可靶向肿瘤驱动基因。恩沙替尼是已知的第二代酪氨酸激酶抑制剂，也是Ia型MET抑制剂。浙江大学医学院附属第二医院的李雯及其合作者开展的EMBRACE试验，旨在评估恩沙替尼治疗METex14阳性NSCLC的临床疗效和安全性。
这项多中心单臂II期研究招募了经一线化疗和/或免疫疗法失败后的METex14阳性肺癌患者。符合纳入条件的患者每天口服恩沙替尼225毫克，每28天为一个持续治疗周期，直至疾病进展、出现不可接受的副作用或死亡。主要终点为研究者评估的客观缓解率（ORR），次要终点包括疾病控制率（DCR）、无进展生存期（PFS）、缓解持续时间（DoR）和安全性。该研究已在中国临床试验注册中心注册（ChiCTR2100048767）。
自2021年7月至2024年2月，共纳入30名患者并接受了恩沙替尼治疗。中位随访时间为9.2个月。ORR为53.3%，DCR为86.7%。中位PFS为6.0个月，中位DoR为7.9个月。共有24例患者（80%）报告了不良事件，其中7例（23.3%）为3级。结果表明，恩沙替尼对METex14阳性肺癌患者具有良好的抗肿瘤活性和可控的安全性。
3
基于超声的可解释机器学习模型在≤3cm肝细胞癌分类中的开发与验证：一项多中心回顾性诊断研究
中国人民解放军总医院第五医学中心的梁萍及其同事，旨在开发一种机器学习模型，利用灰阶超声（grayscale ultrasound，US）来区分≤3cm的小肝细胞癌（small hepatocellular carcinoma，sHCC）和非HCC病变。
2017年5月至2021年6月期间，收集了55家医院的1,052例患者，共计1,058个≤3厘米肝脏病变，并将756个肝脏病变按照8:2的比例分配至训练队列和内部验证队列，以开发和评估基于多层感知机（multilayer perceptron，MLP）和极端梯度提升（extreme gradient boosting，XGBoost）方法的机器学习模型（ModelU利用US成像特征；ModelUR增加US放射组学特征；ModelURC进一步结合临床特征）。
在外部验证队列（来自14家医院的312个肝脏病变）中评估了三种模型的诊断性能，并将最佳模型的诊断效果与放射科医生在外部验证队列中进行了比较。采用SHAP（SHapley Additive exPlanations）方法来解释最佳机器学习模型。
在内部验证队列中，基于ModelURC的XGBoost显示出最佳性能（曲线下面积 [AUC]=0.934）。在外部验证队列中，ModelURC也达到了最佳AUC（0.899）。在肿瘤大小≤2.0cm、2.1-3.0cm，以及在不同的HCC风险分层中，ModelURC的诊断性能差异均无统计学意义。ModelURC优于所有放射科医生，显著提高了所有放射科医生的诊断AUC（所有P
4
使用多模态内镜数据对鼻咽癌进行实时人工智能辅助检测和分割：一项多中心、前瞻性研究
鼻咽癌（Nasopharyngeal carcinoma，NPC）是中国南方地区常见的恶性肿瘤，但常常出现漏诊。中山大学附属第一医院的文译辉及其同事利用人工智能辅助诊断。
本研究前瞻性地收集了2020年6月至2022年12月期间在某中心接受治疗的707名患者的白光成像（white light imaging，WLI）和窄带成像（narrow-band imaging，NBI）模式的鼻内镜检查视频。根据8,816个帧开发了鼻咽癌诊断分割网络框架（NPC-SDNet），并进行了内部测试。随机抽取了200帧，以比较NPC-SDNet和鼻科医生的诊断能力。来自两家医院的2,818幅图像的外部测试集用于验证。该研究已在clinicaltrials.gov（NCT04547673）上注册。
使用WLI的NPC-SDNet诊断准确率、精确率、召回率和特异性分别为95.0%、93.5%、97.2%和93.5%。使用NBI的结果分别为95.8%、93.1%、96.0%和97.2%。分割性能稳健。在头对头（head-to-head）比较中，NPC-SDNet的诊断准确率达到94.0%，优于不同专业水平的临床医生。外部验证进一步证明了其可靠性。NPC-SDNet显示出了优秀的实时诊断和分割准确性，为提高NPC诊断的精确性提供了一种有前景的工具。
5
通过智能手机应用程序进行人工智能辅助识别新生儿耳廓畸形
耳廓畸形在新生儿中较为常见，需要早期诊断和及时干预。在这项研究中，复旦大学的王烁及其同事提出了一个新的人工智能模型，利用移动设备拍摄的照片来识别常见的耳廓畸形亚型。
使用开源数据集BabyEar4k（包含3,852张含诊断数据的耳廓图像）和来自复旦大学的104例患者组成的外部私有数据集。对训练照片经过预处理，数据集分为3,835个样本（15%用于验证）和120个样本（用于测试）。在全国3个中心（新疆252例，贵州186例，福建252例）进行外部验证。通过与人类志愿者的对比分析来评估性能。在上海收集了一个前瞻性测试集（N=272）。鉴于亚型分布存在显著差异，准确率和加权F1分数为主要评估指标。
评估了四种骨干网络（backbone）架构：ResNet50、DenseNet121、EfficientNet和RegNet。ResNet50骨干网络的性能最为稳定。多中心真实世界数据验证显示了令人满意的准确率，六级分类的准确率范围为0.74-0.82，正常/异常分类的准确率范围为0.79-0.86，表明该模型具有较强的泛化能力。在与志愿者的对比分析中，专业人员在六级分类任务中的准确率为0.7-0.8，相关研究人员为0.45-0.65，而非专业人员为0.45-0.55。
研究团队开发的系统为临床应用提供了一种高效且经济的解决方案，包括新生儿耳廓畸形的早期诊断、监测治疗进展和教育目的。
6
基于深度学习的非肌层浸润性膀胱癌全切片图像的早期复发和治疗反应预测模型：一项回顾性、多中心研究
准确预测早期复发对于非肌层浸润性膀胱癌（non-muscle-invasive bladder cancer，NMIBC）的疾病管理至关重要。中山大学的吴少旭及其合作者旨在开发一种基于全切片图像的深度学习早期复发预测模型（early recurrence predictive model，ERPM）和治疗反应预测模型（treatment response predictive model，TRPM），以辅助临床决策。
在这项回顾性、多中心研究中，来自五个中心的1,275名病理确诊NMIBC患者的4,395张全切片图像被纳入训练和验证。中山大学孙逸仙纪念医院的患者被分配至内部训练和验证，其余患者被分配至外部验证。开发ERPM以对苏木精-伊红（haematoxylin and eosin，H&E）及免疫组化切片进行预测。
TRPM与ERPM共享相同的架构，通过交叉验证对接受卡介苗（BCG）治疗的患者进行训练和评估。通过曲线下面积对其性能进行了评估，并与临床模型、基于H&E的模型和综合模型进行比较。通过生存分析评估预后能力。
在内部（曲线下面积 [AUC]：0.837 vs 0.645 vs 0.737）和外部队列中（AUC：0.761-0.802 vs 0.626-0.682 vs 0.694-0.723），ERPM预测早期复发的能力均优于临床模型和基于H&E的模型，并与综合模型相当。TRPM在预测卡介苗无反应的NMIBC方面表现良好，准确率为84.1%。
ERPM在预测NMIBC术后早期复发和无复发生存率方面表现良好。经过进一步验证后，TRPM可用于指导NMIBC的管理。
7
选择性剖宫产中延迟脐带结扎对晚期早产儿和早期足月儿呼吸窘迫的影响：一项单中心、Ⅲ期、随机对照试验
延迟脐带结扎（Delayed cord clamping，DCC）有可能通过增加血容量和氧饱和度来缓解呼吸窘迫，但目前缺乏直接的证据支持。已知通过选择性剖宫产（cesarean section，CS）出生的晚期早产儿和早期足月儿（early term infants）更容易出现新生儿呼吸窘迫（neonatal respiratory distress，NRD）。同济大学的刘江勤及其同事设计了这项研究，以探究DCC对这些婴儿NRD的影响。
这项单中心、Ⅲ期、开放标签随机对照试验于2019年至2024年在上海市第一妇婴保健院进行，试验纳入了经选择性CS分娩的新生儿。孕妇和婴儿被随机分为出生后10秒内立即脐带结扎（immediate cord clamping，ICC）或60秒内DCC，并按晚期早产儿或早期足月儿进行分层。主要结局是NRD发生率，NRD定义为婴儿出生后24小时内需要氧气或气道压力支持。试验已注册（ChiCTR1800017865）。
在2,610名产妇中，1,418名新生儿被纳入DCC组，1,419名新生儿被纳入ICC组。两组产妇的平均年龄均为33岁。新生儿的平均胎龄为37.9周。DCC组有119名新生儿出现NRD，而ICC组则有135名。婴儿和产妇的不良事件无显著差异。
总体而言，对于通过选择性剖宫产分娩的晚期早产儿和早期足月儿，延迟脐带结扎对母亲和婴儿都是安全的，但并不能降低早期呼吸系统疾病的风险。
8
冠状动脉旁路移植术后新发房颤的人工智能预测工具的性能
目前缺乏预测冠状动脉旁路移植术（coronary artery bypass grafting，CABG）后新发房颤（new-onset postoperative atrial fibrillation，NOAF）的工具。暨南大学护理学院的杨巧红及其合作者旨在开发并验证一种基于人工智能的新型床旁工具，可准确预测CABG术后的NOAF。
该研究回顾性分析了中国两家三级医院在2015年至2024年间接受CABG手术的2,994名患者的数据。其中一家医院的2,486名患者组成推导队列（按7:3的比例分为训练和测试集），另一家医院的508名患者组成外部验证队列。开发整合了11个基础学习器（base learners）的堆叠模型（stacking model），并使用准确率、精确率、召回率、F1分数和曲线下面积（AUC）进行评估。计算并绘制了SHAP（SHAPLEY Additive exPlanations）值，以解释个体特征对模型预测的贡献。
对77个预测特征进行了分析。在独立外部验证中，堆叠模型的AUC值为0.931，F1分数为0.797，表现优于CHA2DS2-VASc、HATCH和POAF分数。SHAP值表明NOAF预测特征的重要性：脑钠肽、左心室舒张末期直径、射血分数、体重指数、β受体阻滞剂、手术持续时间、年龄、中性粒细胞百分比与白蛋白比值、心肌梗死、左心房直径、高血压和吸烟状况。随后，利用这些特征开发了一种易于使用的NOAF风险评估床旁临床工具。这种基于人工智能的工具对NOAF的预测效果优于现有的三种预测工具。未来的研究应进一步探讨各种患者特征如何影响NOAF的发病时间，无论是早期或晚期。
来源：柳叶刀TheLancet
