综述：机器学习和自然语言处理在癌症治疗后的患者神经认知结果中的应用：一项范围综述

《Supportive Care in Cancer》：Applications of machine learning and natural language processing to neurocognitive outcomes in posttreatment cancer survivors: a scoping review

机器学习与自然语言处理技术在癌症幸存者神经认知障碍检测中的应用研究，旨在比较不同年龄分层群体中ML/NLP技术的应用差异并识别研究空白。方法遵循PRISMA-ScR指南，系统检索2014-2025年五大数据库共27项研究（3584例），发现监督式ML模型（如随机森林、支持向量机）主要用于预测患者报告结局和神经影像生物标志物，但针对老年（n=4）、青少年（n=1）及儿童（n=3）等高风险群体研究不足。结论指出ML/NLP在CRCI检测中前景广阔，未来需重点开发年龄特异性模型，建立标准化验证框架，并加强跨学科合作与临床整合。

　　

摘要

目的

本综述探讨了机器学习（ML）和自然语言处理（NLP）在检测、表征和预测不同年龄组癌症幸存者的神经认知症状方面的应用。该综述有两个目标：（1）比较ML和NLP在理解不同年龄分层幸存者中癌症相关认知障碍（CRCI）方面的应用；（2）识别有助于未来幸存者护理的研究空白。

方法

遵循PRISMA-ScR指南，从2014年到2025年在PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar上进行了全面的文献搜索。纳入的研究使用了ML或NLP来评估治疗后的癌症幸存者的神经认知结果。未明确ML/NLP方法、未聚焦于幸存者问题或未经同行评审的研究被排除在外。

结果

最终纳入的综述共有27项研究，涉及3584名参与者。大多数研究使用了监督学习模型，如随机森林和支持向量机。主要应用包括预测患者报告的结果以及通过神经影像学识别生物标志物。尽管老年人群（n=4）、青少年和年轻成人（n=1）以及儿童（n=3）长期患CRCI的风险较高，但针对这些群体的研究仍然有限。

结论

ML和NLP在检测CRCI方面显示出潜力。未来的研究应优先开发针对代表性不足人群（尤其是老年人、青少年和儿童幸存者）的年龄特定ML/NLP模型，并建立标准化的验证框架。此外，跨学科合作以及将其整合到临床工作流程中对于有效实施至关重要。