Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Novel Hybrid Peptide ML-2 with Antibacterial and Antibiofilm Activity Against Pseudomonas aeruginosa.

Current microbiology·2026
Same author

Microalloying Strategies Enable Heat-Resistant Aluminum Alloys via Microstructural Design at Atomic Length Scale.

Advanced materials (Deerfield Beach, Fla.)·2026
Same author

Microenvironmental response-based treatment of osteoarthritis is a highly effective and durable program: a review.

Journal of orthopaedic surgery and research·2025
Same author

Influencing factors and dynamic changes of COVID-19 vaccine hesitancy in China: From the perspective of machine learning analysis.

Human vaccines & immunotherapeutics·2025
Same author

The application and challenges of antimicrobial drug-loaded scaffold materials for the treatment of bone infections.

Nanoscale horizons·2025
Same author

Antimicrobial peptide Mt 5 inhibits human hepatocellular carcinoma cell HepG2 proliferation.

Biochemical and biophysical research communications·2024
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Feb 17, 2026

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
07:13

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

768

Un modelo de aprendizaje automático explicable para predecir el riesgo de recurrencia de tumores de vejiga

Shenghua Wu1, Ying Wang1, Jingbing He1

  • 1Zhejiang Dinghai Hospital (Zhoushan Branch of Shanghai Ruijin Hospital), Zhoushan, Zhejiang, China.

Frontiers in oncology
|February 16, 2026
PubMed
Resumen

Este estudio desarrolló un modelo XGBoost explicable para predecir la recurrencia de tumores de vejiga, logrando una precisión del 99,4%. El modelo utiliza siete características clave para ayudar a los médicos en la estratificación de riesgos y la vigilancia personalizada del paciente.

Palabras clave:
regresión LASSOXGBoostneoplasias de vejigainterpretabilidadaprendizaje automáticorecurrencia de neoplasiasevaluación de riesgos

Más Videos Relacionados

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.9K
An Orthotopic Bladder Cancer Model for Gene Delivery Studies
07:48

An Orthotopic Bladder Cancer Model for Gene Delivery Studies

Published on: December 1, 2013

13.2K

Videos de Experimentos Relacionados

Last Updated: Feb 17, 2026

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
07:13

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

768
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.9K
An Orthotopic Bladder Cancer Model for Gene Delivery Studies
07:48

An Orthotopic Bladder Cancer Model for Gene Delivery Studies

Published on: December 1, 2013

13.2K

Área de la Ciencia:

  • Urología
  • Oncología
  • Aprendizaje automático en medicina

Sus antecedentes:

  • La recurrencia del cáncer de vejiga después de la cirugía es común.
  • La predicción precisa de la recurrencia sigue siendo un desafío clínico.

Objetivo del estudio:

  • Desarrollar y validar un modelo de aprendizaje automático explicable.
  • Predecir la recurrencia de tumores de vejiga después del tratamiento quirúrgico.

Principales métodos:

  • Estudio de cohorte retrospectivo de 504 pacientes con tumores de vejiga.
  • Se utilizó la regresión LASSO para la selección de características y se evaluaron 11 algoritmos de aprendizaje automático.
  • Se evaluó el rendimiento del modelo utilizando AUC, recall, precisión, puntuación F1, precisión y VPP.

Principales resultados:

  • El modelo XGBoost con siete características logró un AUC de 0.994.
  • Los predictores clave incluyeron el IMC, el diámetro del tumor, la morfología, el estado de fumador, los signos de invasión, el número de tumores y la ubicación.
  • El análisis SHAP destacó el IMC y el diámetro del tumor como los principales factores predictivos.

Conclusiones:

  • El modelo XGBoost de siete características predice con precisión la recurrencia de tumores de vejiga.
  • El enfoque de IA explicable ayuda en la estratificación de riesgos clínicos.
  • Facilita la planificación de la vigilancia individualizada para pacientes con cáncer de vejiga.