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. 経動脈化学栓塞後の中期肝細胞がんの進行を予測する機械学習

経動脈化学栓塞後の中期肝細胞がんの進行を予測する機械学習

Ran Wei1, Zelong Liu2, Lingjie Ju3

  • 1Department of Gastrointestinal Surgery, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, China.

Radiology. Imaging cancer
|September 5, 2025

関連する実験動画

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
Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
09:49

Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization

Published on: December 2, 2013

10.4K
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

PubMed で要約を見る

まとめ
この要約は機械生成です。

新しい機械学習 (ML) モデルであるCatBoostは,肝細胞癌 (HCC) の経動脈化学栓塞 (TACE) の後の進行段階 (ASP) を正確に予測します. このツールは,さらなる治療の恩恵を受ける可能性のある高リスクの患者を特定するのに役立ちます.

科学分野:

  • 腫瘍学
  • 医療用イメージング
  • 人工知能

背景:

キーワード:
高度な段階の進行肝臓細胞がん肝臓機械学習

関連する実験動画

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
Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
09:49

Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization

Published on: December 2, 2013

10.4K
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
  • 肝細胞癌 (HCC) は,肝臓がんの一種である.
  • トランス動脈化学栓塞 (TACE) は,中期のHCCの一般的な治療法です.
  • TACE の後の進行段階 (ASP) を予測することは,患者の管理に極めて重要です.

研究 の 目的:

  • HCC患者のTACE後のASPを予測するための機械学習 (ML) モデルを開発し,検証する.
  • MLモデルの性能を確立したステージングシステムと比較する.
  • MLモデルの有用性を評価し,TACE後の治療決定を導く.

主な方法:

  • 多中心の遡及研究では,TACEを投与された中期性HCC患者2333人が参加しました.
  • 6つのMLモデルを訓練するために34の術前臨床およびCT画像変数を使用した.
  • 最優秀なモデルであるCategorical Gradient Boosting (CatBoost) は,AUCとコンコンダンスインデックスを用いて既存のステージングシステムと比較した.

主要な成果:

  • CatBoostモデルは,ASPの予測のために高いAUC値 (0. 97のトレーニング,0. 94の内部テスト,0. 93の外部テスト) を達成しました.
  • CatBoostは5つの主要なステージングシステム (P < .001) に比べて優れた識別能力を示した.
  • このモデルでは,TACE後の全身療法 (P< .001) から著しく恩恵を受けた高リスク患者さんを特定した.

結論:

  • CatBoost MLモデルは,現在の段階設定システムと比較して,中間段階のHCCに対するTACE後のASPの優れた予測を提供します.
  • このモデルは患者をリスクグループに分類し 個別化された治療戦略に役立ちます
  • 発見は,TACE後のHCC管理を最適化するためにMLの使用を支持します.
腫瘍学
リスクの区分
トランス動脈化学栓塞