基于禁忌搜索算法的鼻咽癌复发预测模型构建及其在人工智能医疗系统中的应用

本综述系统阐述了如何利用禁忌搜索（TS）算法构建鼻咽癌（NPC）复发预测模型，创新性地提出动态邻域结构（DNHS）增强的禁忌搜索分类方法（TSCM），并基于此开发了人工智能医疗顾问系统（AAHS）。研究通过三个阶段递进式数据建模，有效提升了NPC复发预测的精准度，为肿瘤个性化治疗提供了可靠的决策支持工具。

　　

Section snippets

Nasopharyngeal carcinoma recurrence

鼻咽癌（NPC）是一种具有明显地域分布和种族异质性的头颈部鳞状细胞癌，主要影响东南亚人群，其中中国南方地区的发病率最高（Chen et al., 2019）。在沙特阿拉伯，鼻咽癌每年占所有头颈癌诊断的31.4%，占男性所有恶性肿瘤的2.7%，女性恶性肿瘤的0.8%，使其成为2016年最常见的头颈部癌症（Alotaibi et al.,）。

Aim of the work

随着科学技术的发展，数据在我们的日常生活中扮演着越来越重要的角色。因此，数据挖掘技术引起了广泛关注。在医疗健康领域进行数据分类可以显著减轻临床医生在治疗过程中的负担。医疗数据通常具有高噪声、强相关性和高维度等特点，这对传统分类模型构成了巨大挑战。因此，设计一个高效且鲁棒的分类模型对于从复杂医疗数据中提取有价值的信息、辅助临床决策至关重要。

Dataset description

在获得机构审查委员会（IRB）批准后，我们回顾性分析了196例经组织学证实、患有局部、局部晚期和转移性鼻咽癌的患者，这些患者在2006年1月至2015年2月期间于我院科室接受了治疗。治疗前评估包括详细病史、全景内窥镜检查、头颈部（H&N）磁共振成像（MRI）、正电子发射断层扫描（PET）成像、头颈部计算机断层扫描（CT）、胸部CT、血液学、肝肾功能检查等。

Artificial advisor healthcare system (AAHS)

本研究旨在激活人工智能（AI）在医学领域的作用。基于这一视角，并与肿瘤学专家合作，我们共同致力于利用所提出的系统，根据其预测结果来必要地调整治疗方案。AAHS将治疗计划分为三个不同的阶段。每个阶段都有一套明确可用的特征集。TSCM方法处理这些特征数据，为每个阶段生成一个精确的人工预测模型。第一个模型基于包含描述性数据的主要数据集。第二个模型比第一个模型包含更多特征，但不包含反应特征。第三个模型利用了所有现有特征，并包含了在治疗阶段结束后三个月观察到的反应特征，因此该模型被视为治疗后监测。AAHS利用这些模型来准确预测在每个治疗阶段以及作为治疗后监测的复发情况。这种预测使得能够根据系统的输出调整治疗计划并实施额外的措施。

Conclusion and future work

分类的目的是捕捉一组带有类别标签的案例中特征之间的潜在关系。这些规则被建模，产生一个通用的假设。随后，该假设被应用于未来先前未见过的实例，这些实例具有已知的预测属性但类别标签未知。目的是自动生成关于这些未来案例类别的预测。医疗数据分类涉及使用医疗数据集训练分类模型的过程，目的是预测新患者的疾病状态或治疗效果。