在临床工作中，我们会收集很多临床资料，但我们往往忽视对这些资料的合理应用，而对这些临床资料进行合理的处理也可以发表顶刊。今天我们就以发表在Nature cancer（首年IF=23.17）的一篇文章“Multimodal data integration using machine learning improves risk stratification of high-grade serous ovarian cancer”学习如何利用临床资料发表顶刊。
 01背景高级别浆液性卵巢癌预后不良，且对治疗的反应也各不相同。该疾病的已知预后因素包括同源重组缺陷状态、年龄、病理分期和减瘤手术后的残留疾病状态。最近的研究发现CT和病理标本中的信息可以通过机器学习的方法进行深度利用。然而，组合这些不同来源的特征以改进治疗反应的研究尚未可见。
</p>研究概要
</p>Figure 1：纳入患者的信息
Figure 2：CT信息分层进行判断
收集临床信息资料（Figure 2a，红色位网膜转移），按影像学特征进行分层（包括附件肿块和网膜转移）（Figure 2b），通过4分位数进行分类后，对其进行COX回归分析（Figure 2c），并对网膜特征进行迭代拟合再进行COX分层回归模型，导出不同特征的矩阵（Figure 2d），并针对网膜转移进行危险分层，计算得HR为1.68（Figure 2e）。对该模型进行测试，一致性指数为0.55（Figure 2f），并进行生存分析（Figure 2g,h）。并发现网膜移植与较短的OS相关。
Figure2：CT信息进行分层
Figure 3&4：组织病理学分层
收集HE图片，并标记组织类型（Figure 3a），并在Image Net上训练卷积神经网络（Figure 3b），对标记为脂肪、基质、坏死和肿瘤的区域进行标记（Figure 3c），并建立交叉验证模型（Figure 3d）。
Figure 3：组织信息进行分类
然后，将肿瘤细胞的细胞核进行标记（Figure 4a），提取肿瘤面积和基质长度进行分析（Figure 4b），并测试这个模型一致性，发现一致性指数0.56（Figure 4c），并进行生存分析训练（Figure 4d）和测试（Figure 4e），并展示代表性图片（Figure 4f,g），并发现肿瘤核面积和生存预后显著相关。
Figure 4：组织信息进行分层
Figure 5：多模式整合改进了分层并确定了具有临床意义的亚组（亮点）
总之，作者通过COX 模型预测因素的风险值，最后通过一个整体模型进行整合，在最终模型中，结合CT和组织病理学特征口模型进行分析，一致性指数显著高于前几个模型（Figure 5a），但是添加DNA损伤状态（HRD）后，组织病理学子模型的评分仍然显著（Figure 5b），具有基因组、放射组学和组织病理学 (GRH) 模式的模型表现相当，分别对其进行训练（Figure 5c）和测试（Figure 5d），发现高风险患者预后显著较差，并通过放射学、组织病理学和基因组学方式识别有早死风险的独特患者，确定对预后有影响的不同患者亚组（Figure 5e）。
Figure 5：多模式整合改进了分层并确定了具有临床意义的亚组
综上所述，作者利用临床上所收集的肿瘤患者的资料，对其进行逐个分层，计算，最后进行总模型的整合，以得到最佳效应模型，以达到对浆液性卵巢癌的精准预测，最后成功发表肿瘤学顶刊。如果我们也能学习如下方法，我们也可利用手头的临床资料发表顶刊：
1.机器学习的创新性：目前大部分临床分析都聚焦于检验指标及检查指标，而对于影像组学和组织病理学指标关注较少，所以，对于其他癌种，可重点关注影像资料和组织病理资料；
2.数据的分步处理，最后进行整合：这种机器学习的典型案例，可对其进行分步处理，逐个计算其风险因素，最后进行整合，这样可在获得较高的逻辑性的同时提高数据量；
3.病种的选择：在选择病种时，最好要选择目前聚焦不多的肿瘤或者肿瘤亚型，这样文章的创新性和精确性会好很多。
阅读推荐：
如果您或者科室有科研上的困扰扫码备注：科研合作 | 
