Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

このページは機械翻訳されています。他のページは英語で表示される場合があります。View in English
  1. ホーム
  3. 研究分野
  5. 生物医学と臨床科学
  7. 腫瘍学とがん発生
  9. 予測・予測マーカー
  11. 周辺肺がんにおける隠されたリンパ節転移を予測するための,腫瘍内および腫瘍周放射線特性を統合したctベースの機械学習モデル
  1. ホーム
  3. 研究分野
  5. 生物医学と臨床科学
  7. 腫瘍学とがん発生
  9. 予測・予測マーカー
  11. 周辺肺がんにおける隠されたリンパ節転移を予測するための,腫瘍内および腫瘍周放射線特性を統合したctベースの機械学習モデル

関連する実験動画

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K

周辺肺がんにおける隠されたリンパ節転移を予測するための,腫瘍内および腫瘍周放射線特性を統合したCTベースの機械学習モデル

Xiaoyan Lu1, Fan Liu1, Jiahui E1

  • 1Department of Radiology, Tianjin Medical University Cancer Institute & Hospital, National Clinical Research Center for Cancer; Tianjin's Clinical Research Center for Cancer; Key Laboratory of Cancer Immunology and Biotherapy, Tianjin, Huan-Hu-Xi Road, Ti-Yuan-Bei, He Xi District, Tianjin, China.

Cancer imaging : the official publication of the International Cancer Imaging Society
|August 21, 2025

PubMed で要約を見る

まとめ
この要約は機械生成です。

この研究では,肺がん患者の隠されたリンパ節転移 (OLNM) を予測するためのCTベースの機械学習モデルを開発しました. 臨床放射学モデルは,個別化された手術前リスク評価を助け,OLNMを正確に識別します.

キーワード:
肺がん隠されたリンパ節転移周頭部ラジオミクス

さらに関連する動画

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

193
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

8.3K

関連する実験動画

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K
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

193
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

8.3K

科学分野:

  • 腫瘍学
  • 放射線科
  • 医療用イメージング

背景:

  • 隠されたリンパ節転移 (OLNM) の正確な術前評価は,肺がんの治療決定に不可欠です.
  • コンピュータートモグラフィー (CT) は,手術前評価の主要なイメージング方式です.

研究 の 目的:

  • 肺がんにおけるOLNMを予測するためのCTベースの機械学習モデルの開発と検証.
  • このモデルは,腫瘍内と腫瘍周辺の放射線特性を統合しています.

主な方法:

  • 844人の周辺肺がん患者 (591人のトレーニング,253人の検証) の遡及分析.
  • 総腫瘍容量 (GTV) と周周周腫瘍容量 (PTV3,PTV6,PTV9) から1688の放射線特性を抽出する.
  • ロジスティック回帰を用いた臨床放射学モデルの開発,放射学シグネチャー,臨床因子 (CEA),CT特徴 (葉膜,腫瘍-膜関係) を含む.

主要な成果:

  • PTV9の放射性信号は 優れた性能を示した
  • 統合された臨床放射学モデルは,OLNMの予測において高い精度を達成した (AUC 0. 819 訓練,0. 801 検証).
  • このモデルは,両方のコホートにおいて,臨床モデルのみを大幅に上回った.
腫瘍

結論:

  • 開発された臨床放射学モデルは,OLNMの術前リスク評価のための非侵襲的なツールとして機能します.
  • このアプローチは,肺がん患者の個別化された治療戦略をサポートします.