机器学习 (ML)有望影响医疗保健服务；然而，迄今为止，大多数方法都是在“模拟”环境中进行测试的，这些环境无法概括影响现实世界临床实践的因素。有鉴于此，加拿大健康网络大学的Thomas G. Purdie和Alejandro Berlin等研究人员，将机器学习 (ML)的临床整合用于前列腺癌患者的治愈性放射治疗。

本文要点

1）研究人员评估了随机森林算法，用于在完全整合到临床工作流程的盲法、头对头研究中对前列腺癌进行治疗性放疗 (RT) 治疗计划。

2）ML 和人工生成的 RT 治疗计划在回顾性模拟与重新测试 (n = 50) 和前瞻性临床部署 (n = 50) 阶段进行了直接比较。

3）在整个研究阶段，治疗医师始终按照先验定义的标准化标准和同行评审过程，以盲法评估 ML 和人工生成的 RT 治疗计划，并在前瞻性阶段为患者治疗提供选定的 RT 计划。

4）89% 的 ML 生成的 RT 计划被认为在临床上是可接受的，72% 的选择在头对头比较中优于人工生成的 RT 计划。使用 ML 的 RT 计划将整个 RT 计划过程所需的中位时间减少了 60.1%（118 到 47 小时）。

5）虽然 ML RT 计划的可接受性在模拟和部署阶段之间保持稳定（92% 对 86%），但选择用于治疗的 ML RT 计划的数量显著减少（分别为 83% 和 61%）。

本文研究表明，MES 样胶质母细胞瘤状态也与巨噬细胞中间充质程序表达增加和 T 细胞细胞毒性增加有关，这突出了免疫微环境的广泛改变并具有潜在的治疗意义。

本文研究发现强调，即使在专家盲审下，对 ML 方法的回顾性或模拟评估也可能无法代表在危及患者护理的真实临床环境中的算法接受度。

参考文献：

Chris McIntosh, et al. Clinical integration of machine learning for curative-intent radiation treatment of patients with prostate cancer. Nature Medicine, 2021.

DOI：10.1038/s41591-021-01359-w

https://www.nature.com/articles/s41591-021-01359-w