Using artificial intelligence for biomarker analysis in clinical diagnostics

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

Introduction. Artificial intelligence (AI) technologies are becoming crucial in clinical diagnostics due to their ability to process and interpret large volumes of data. The implementation of AI for biomarker analysis opens new opportunities in personalized medicine, offering more accurate and individualized approaches to disease diagnosis and treatment. The relevance of this review stems from the need to systematize recent advances in AI application for biomarker analysis, which is critical for early diagnosis and prediction of chronic non-communicable diseases (NCDs).

Material and methods. The analysis of peer-reviewed scientific publications and reports from leading research centers over the past five years was conducted. Studies on the application of AI algorithms for analyzing genomic, proteomic, and metabolomic biomarkers were reviewed, including machine learning methods and deep neural networks. Special attention was paid to the integration of multi-marker panels for improving the accuracy of diagnosis and prediction of cardiovascular, digestive, respiratory, endocrine system diseases, as well as oncological and neurodegenerative pathologies.

Results. The application of AI has significantly increased the sensitivity and specificity of diagnostics, especially in complex cases requiring analysis of multiple disease parameters. The effectiveness of AI has been demonstrated in early diagnosis of lung, breast, and colorectal cancer, prediction of cardiovascular complications and NCDs progression, including diabetes mellitus and Alzheimer’s disease. AI’s significant contribution to the discovery of new biomarkers, optimization of personalized treatment, and improvement of therapeutic strategies has been noted.

Conclusion. The use of AI in biomarker analysis has become a significant breakthrough in medical diagnostics, particularly in oncology, cardiology, and neurodegenerative diseases. The technology allows integration of data about various biomarkers and contributes to creating more accurate models for disease diagnosis and prediction. Further development is associated with technology advancement and overcoming ethical and regulatory barriers, which will expand AI capabilities in clinical practice.

作者简介

Pavel Seliverstov

Institution of Higher Education “S.M. Kirov Military Medical Academy” of the Ministry of Health of the Russian Federation

编辑信件的主要联系方式.
Email: seliverstov-pv@yandex.ru
ORCID iD: 0000-0001-5623-4226

Сandidate of Medical Sciences, Аssociate Рrofessor. Assistant Professor, 2nd Department of Therapy for Advanced Training

俄罗斯联邦, 194044, Saint Petersburg, Lebedeva St., 6

Valery Kutsenko

Institution of Higher Education “Saint Petersburg State Pediatric Medical University” of the Ministry of Health of the Russian Federation

Email: val9126@mail.ru
ORCID iD: 0000-0001-9755-1906

Сandidate of Medical Sciences, Аssociate Рrofessor. Assistant Professor, Department of Modern Diagnostic Methods and Radiotherapy named after Professor S.A. Reinberg

俄罗斯联邦, 194100, Saint Petersburg, Litovskaya St., 2

Victoria Gorelova

Institution of Higher Education “Dagestan State Medical University” of the Ministry of Health of the Russian Federation

Email: Gorelovavik@gmail.com
ORCID iD: 0009-0002-5409-7189

Сandidate of Medical Sciences, Аssociate Рrofessor. Assistant Professor, Department of Pathological Physiology

俄罗斯联邦, 367000, Republic of Dagestan, Makhachkala, Lenin Square, 1

Shamay Magomedova

Institution of Higher Education “Dagestan State Medical University” of the Ministry of Health of the Russian Federation

Email: shamay.magomedova2002@mail.ru
ORCID iD: 0009-0005-1211-6195

VI year student

俄罗斯联邦, 367000, Republic of Dagestan, Makhachkala, Lenin Square, 1

Sultan Akhmedov

Institution of Higher Education “Saint Petersburg State Pediatric Medical University” of the Ministry of Health of the Russian Federation

Email: sa1855128@gmail.com
ORCID iD: 0009-0002-5767-7365

VI year student

俄罗斯联邦, 194100, Saint Petersburg, Litovskaya St., 2

Yusup Nurmyradov

Institution of Higher Education “Saint Petersburg State Pediatric Medical University” of the Ministry of Health of the Russian Federation

Email: nurmyradow03.99@gmail.com
ORCID iD: 0009-0001-8983-5519

VI year student

俄罗斯联邦, 194100, Saint Petersburg, Litovskaya St., 2

参考

  1. Селиверстов П.В. Перспективы использования телемедицинских технологий на основе искусственного интеллекта при проведении медицинского осмотра. Медицинский совет. 2024; 18 (5): 104–11. https://doi.org/10.21518/ms2024-072. [Seliverstov P.V. Prospects for the use of telemedicine technologies based on artificial intelligence during medical examination. Meditsinskiy Sovet. 2024; 18 (5): 104–11 (in Russian)]
  2. Селиверстов П.В., Гриневич В.Б., Шаповалов В.В., Крюков Е.В. Повышение эффективности скрининга хронических неинфекционных заболеваний с использованием технологий на основе искусственного интеллекта. Лечащий Врач. 2024; 4 (27): 97–104. https://doi.org/10.51793/OS.2024.27.4.014. [Seliverstov P.V., Grinevich V.B., Shapovalov V.V., Kryukov E.V. Improving the effectiveness of screening for chronic noncommunicable diseases using artificial intelligence-based technologies. Lechashchiy Vrach. 2024; 4 (27): 97–104 (in Russian)]
  3. Селиверстов Д.П. Нанореволюция в медицине: синергия нанотехнологий, искусственного интеллекта и цифровых инноваций. Медицинская сестра. 2024; 26 (7): 44–8. https://doi.org/10.29296/25879979-2024-07-06. [Seliverstov D.P. Nanorevolution in medicine: synergy of nanotechnology, artificial intelligence and digital innovation. Meditsinskaya Sestra. 2024; 26 (7): 44–8 (in Russian)]
  4. Конради А.О. Биомаркеры, их типы и основы применения в персонализированной медицине. Российский журнал персонализированной медицины. 2022; 2 (3): 6–16. https://doi.org/10.18705/2782-3806-2022-2-3-6-16. [Konradi A.O. Biomarkers, types and role in personalized medicine. Rossiyskiy Zhurnal Personalizirovannoy Meditsiny. 2022; 2 (3): 6–16 (in Russian)]
  5. Гриневич В.Б., Кравчук Ю.А., Селиверстов П.В. Возможности использования раннего скрининга для профилактики рака в клинике внутренних болезней: руководство. СПб., 2024. [Grinevich V.B., Kravchuk Yu.A., Seliverstov P.V. Possibilities of using early screening for cancer prevention in the clinic of internal diseases: guidelines. Saint Petersburg, 2024 (in Russian)]
  6. Тайц Б.М. Практическая предиктивная, превентивная и персонализированная медицина. «10П медицина» в решении вопросов профилактики, активного долголетия, снижения смертности и увеличения продолжительности жизни населения. СПб.: ИПК Береста, 2019. [Tayts B.M. Practical predictive, preventive and personalized medicine. «10P medicine» in solving issues of prevention, active longevity, mortality reduction and increasing life expectancy of the population. Saint Petersburg: IPK Beresta, 2019 (in Russian)]
  7. Селиверстов П.В., Шаповалов В.В., Алешко О.В. Внедрение телемедицинских технологий на основе искусственного интеллекта в практику оказания амбулаторно-поликлинической помощи для проведения медицинского осмотра. Медицинский алфавит. 2023; 28: 44–9. https://doi.org/10.33667/2078-5631-2023-28-44-49. [Seliverstov P.V., Shapovalov V.V., Aleshko O.V. Introduction of telemedicine technologies based on artificial intelligence into practice of providing outpatient care for medical examination. Meditsinskiy Alfavit. 2023; 28: 44–9 (in Russian)]
  8. Raissa-Oliveira B., Lara-Ribeiro A.C., Rezende-Ribeiro J., Bahia A.B.Q., Verano-Braga T. Cardioproteomics: Insights on Cardiovascular Diseases. In: Verano-Braga T., ed. Mass Spectrometry-Based Approaches for Treating Human Diseases and Diagnostics. Advances in Experimental Medicine and Biology. Springer, 2024; 1443. https://doi.org/10.1007/978-3-031-50624-6_8
  9. Wang S., Zhu H., Zhou H., Tang H., Han P. MSpectraAI: a powerful platform for deciphering proteome profiling of multi-tumor mass spectrometry data by using deep neural networks. BMC Bioinformatics. 2020; 21: 439. https://doi.org/10.1186/s12859-020-03783-0
  10. Birhanu A.G. Mass spectrometry-based proteomics as an emerging tool in clinical laboratories. Clin Proteom. 2023; 20: 32. https://doi.org/10.1186/s12014-023-09424-x
  11. Alvarez-Llamas G., de la Cuesta F., Barderas M.G. Proteomics Toward Biomarkers Discovery and Risk Assessment. In: Wakabayashi I., Groschner K., eds. Interdisciplinary Concepts in Cardiovascular Health. Springer, 2013. https://doi.org/10.1007/978-3-319-01050-2_5
  12. Hara A., Niwa M., Kanayama T., Noguchi K., Niwa A., Matsuo M., et al. Galectin-3: A Potential Prognostic and Diagnostic Marker for Heart Disease and Detection of Early Stage Pathology. Biomolecules. 2020; 10 (9): 1277. https://doi.org/10.3390/biom10091277
  13. Moza A.A., Abdelsalam A., Alhammadi M., Bani Hani H., Almheiri A., Al Matrooshi N., et al. Evaluating Biomarkers as Tools for Early Detection and Prognosis of Heart Failure: A Comprehensive Review. Cardiac Failure Review. 2024; 10: e06. https://doi.org/10.15420/cfr.2023.24
  14. Park Y., Kim M.J., Choi Y., Jin G., Lee H.Y., Lee S.J., et al. Role of mass spectrometry-based serum proteomics signatures in predicting clinical outcomes and toxicity in patients with cancer treated with immunotherapy. J. Immunother Cancer. 2022; 10: e003566. https://doi.org/10.1136/jitc-2021-003566
  15. Son A., Kim W., Park J., Park Y., Lee W., Lee S., Kim H. Mass Spectrometry Advancements and Applications for Biomarker Discovery, Diagnostic Innovations, and Personalized Medicine. Int J. Mol. Sci. 2023; 25 (18): 9880. https://doi.org/10.3390/ijms25189880
  16. Bragg F., Trichia E., Aguilar-Ramirez D., Clarke R., Lewington S., Hill M. et al. Predictive value of circulating NMR metabolic biomarkers for type 2 diabetes risk in the UK Biobank study. BMC Med. 2022; 20: 159. https://doi.org/10.1186/s12916-022-02354-9
  17. Javed R., Abbas T., Khan A.H., Fatima K., Shahid A.R., Raja M.A.Z. Deep learning for lungs cancer detection: a review. Artif Intell Rev. 2024; 57: 197. https://doi.org/10.1007/s10462-024-10807-1
  18. Lococo F., Ghaly G., Chiappetta M., Flamini S., Evangelista J., Bria E., et al. Implementation of Artificial Intelligence in Personalized Prognostic Assessment of Lung Cancer: A Narrative Review. Cancers. 2023; 16 (10): 1832. https://doi.org/10.3390/cancers16101832
  19. Zaharchuk G. Artificial Intelligence Approaches to the Imaging of Neurodegenerative Diseases. In: Cross D.J., Mosci K., Minoshima S., eds. Molecular Imaging of Neurodegenerative Disorders. Springer, 2023. https://doi.org/10.1007/978-3-031-35098-6_14
  20. Mathur S., Jaiswal A. Demystifying the Role of Artificial Intelligence in Neurodegenerative Diseases. In: Gaur L., Abraham A., Ajith R., eds. AI and Neuro-Degenerative Diseases. Studies in Computational Intelligence. Springer, 2024; 1131. https://doi.org/10.1007/978-3-031-53148-4_1
  21. Supplitt S., Karpinski P., Sasiadek M., Laczmanska I. Current Achievements and Applications of Transcriptomics in Personalized Cancer Medicine. Int J. Mol. Sci. 2020; 22 (3): 1422. https://doi.org/10.3390/ijms22031422
  22. Liao J., Li X., Gan Y., Han S., Rong P., Wang W., et al. Artificial intelligence assists precision medicine in cancer treatment. Front Oncol. 2022; 12: 998222. https://doi.org/10.3389/fonc.2022.998222
  23. Agarwal N., Nupur, Paul P.K., Mishra S.K. Artificial Intelligence and Machine Learning for Analysis of Multi-omics. In: Mani I., Singh V., eds. Multi-Omics Analysis of the Human Microbiome. Springer, 2024. https://doi.org/10.1007/978-981-97-1844-3_16
  24. Nicora G., Vitali F., Dagliati A., Geifman N., Bellazzi R. Integrated Multi-Omics Analyses in Oncology: A Review of Machine Learning Methods and Tools. Front Oncol. 2020; 10: 530980. https://doi.org/10.3389/fonc.2020.1030
  25. Ardila D., Kiraly A.P., Bharadwaj S., Choi B., Reicher J.J., Peng L., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019; 25 (6): 954–61. https://doi.org/10.1038/s41591-019-0447-x
  26. Stolfi P., Valentini I., Palumbo M.C., Tieri P., Grignolio A., Zolla L. Potential predictors of type-2 diabetes risk: machine learning, synthetic data and wearable health devices. BMC Bioinformatics. 2020; 21 (17): 508. https://doi.org/10.1186/s12859-020-03763-4
  27. Saha D., Saha N., Mukherjee G., Chatterjee A., Tudu B. Deep Learning-Based Ensemble Model for Detection of Myocardial Infarction from ECG Data. In: Kole D.K., et al., eds. Proceedings of 4th International Conference on Frontiers in Computing and Systems. COMSYS 2023. Springer, 2024. https://doi.org/10.1007/978-981-97-2611-0_34
  28. Sayed M.S., Rony M.A.T., Islam M.S., Rahman M.M., Alam M.G.R., Hossain M.S. A Novel Deep Learning Approach for Forecasting Myocardial Infarction Occurrences with Time Series Patient Data. J. Med Syst. 2024; 48: 53. https://doi.org/10.1007/s10916-024-02076-w
  29. Yan C.L., Grazette L. A review of biomarker and imaging monitoring to predict heart failure recovery. Front Cardiovasc Med. 2023; 10: 1150336. https://doi.org/10.3389/fcvm.2023.1150336
  30. Mariappan V., Srinivasan R., Pratheesh R., Sharma A., Kapoor P.M. Predictive biomarkers for the early detection and management of heart failure. Heart Fail Rev. 2024; 29: 331–53. https://doi.org/10.1007/s10741-023-10347-w
  31. Shtossel O., Koren O., Shai I., Segal E. Gut microbiome-metabolome interactions predict host condition. Microbiome. 2024; 12: 24. https://doi.org/10.1186/s40168-023-01737-1
  32. Al Radi Z.M., Prins F.M., Collij V., Vich Vila A., Festen E.A., Dijkstra G., et al. Exploring the Predictive Value of Gut Microbiome Signatures for Therapy Intensification in Patients With Inflammatory Bowel Disease: A 10-Year Follow-up Study. Inflamm Bowel Dis. 2024; 30 (10): 1642–53. https://doi.org/10.1093/ibd/izae064
  33. Decharatanachart P., Chaiteerakij R., Tiyarattanachai T., Treeprasertsuk S. Application of artificial intelligence in chronic liver diseases: a systematic review and meta-analysis. BMC Gastroenterol. 2021; 21: 10. https://doi.org/10.1186/s12876-020-01585-5
  34. Mahzari A. Artificial intelligence in nonalcoholic fatty liver disease. Egypt Liver J. 2022; 12 (1): 1–11. https://doi.org/10.1186/s43066-022-00224-w
  35. Castellano G., Esposito A., Lella E., Montanaro G., Vessio G. Automated detection of Alzheimer’s disease: A multi-modal approach with 3D MRI and amyloid PET. Sci Rep. 2024; 14 (1): 1–10. https://doi.org/10.1038/s41598-024-56001-9
  36. Paulėkas E., Vanagas T., Lagunavičius S., Pajėdienė E., Petrikonis K., Rastenytė D. Navigating the Neurobiology of Parkinson’s: The Impact and Potential of α-Synuclein. Biomedicines. 2024; 12 (9): 2121. https://doi.org/10.3390/biomedicines12092121
  37. Visinescu A., Rusu E., Cosoreanu A., Radulian G. CYSTATIN C–A Monitoring Perspective of Chronic Kidney Disease in Patients with Diabetes. Int J. Mol. Sci. 2023; 25 (15): 8135. https://doi.org/10.3390/ijms25158135
  38. MacDonald D.M., Samorodnitsky S., Lock E.F., Comellas A.P., Hoffman E.A., Newell J.D., et al. Biomarkers of inflammation and longitudinal evaluation of lung function, physical activity, and grip strength: a secondary analysis in the CASCADE study. Chronic Obstr Pulm Dis. 2024; 11 (4): 396–405. https://doi.org/10.15326/jcopdf.2024.0500
  39. Topole E., Biondaro S., Montagna I., Corre S., Corradi M., Stanojevic S., et al. Artificial intelligence based software facilitates spirometry quality control in asthma and COPD clinical trials. ERJ Open Res. 2023; 9: 00292–2022. https://doi.org/10.1183/23120541.00292-2022
  40. Селиверстов П.В., Безручко Д.С., Васин А.В., Гриневич В.Б., Семенов К.П., Алешко О.В., и др. Телемедицинский дистанционный многопрофильный анкетный скрининг как инструмент раннего выявления хронических неинфекционных заболеваний. Медицинский совет. 2023; 17 (6): 311–21. https://doi.org/10.21518/ms2023-070. [Seliverstov P.V., Bezruchko D.S., Vasin A.V., Grinevich V.B., Semenov K.P., Aleshko O.V. et al. Telemedicine remote multidisciplinary questionnaire screening as a tool for early detection of chronic non-communicable diseases. Meditsinskiy Sovet. 2023; 17 (6): 311–21 (in Russian)]

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».