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

Cancer Survival Analysis01:21

Cancer Survival Analysis

629
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
629
Adaptive Mechanisms in Cancer Cells02:53

Adaptive Mechanisms in Cancer Cells

6.9K
Cancer cells accumulate genetic changes at an abnormally rapid rate due to the defects in the DNA repair mechanisms. From an evolutionary perspective, such genetic instability is advantageous for cancer development. Mutant cell lines accumulate a series of beneficial mutations that contribute to their progression into cancer.
Some of the advantages that cancer cells have on normal cells include - enhanced ability to divide without terminally differentiating, induce new blood vessel formation,...
6.9K
Tumor Progression02:07

Tumor Progression

7.2K
Tumor progression is a phenomenon where the pre-formed tumor acquires successive mutations to become clinically more aggressive and malignant. In the 1950s, Foulds first described the stepwise progression of cancer cells through successive stages.
Colon cancer is one of the best-documented examples of tumor progression. Early mutation in the APC gene in colon cells causes a small growth on the colon wall called a polyp. With time, this polyp grows into a benign, pre-cancerous tumor. Further...
7.2K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

A Spatially Resolved Atlas of Alternative Polyadenylation Across 18 Human Tissues and 76 Disease States.

Genomics, proteomics & bioinformatics·2026
Same author

Construction of performance score dynamic prediction system for clinical departments using explainable machine learning.

Health information science and systems·2025
Same author

Epigenetic repression of PDZ-LIM domain-containing protein 2 promotes ovarian cancer via NOS2-derived nitric oxide signaling.

Oncotarget·2015
Same author

Crosstalk between SDF-1/CXCR4 and SDF-1/CXCR7 in cardiac stem cell migration.

Scientific reports·2015
Same author

Anticoagulant and FGF/FGFR signal activating activities of the heparinoid propylene glycol alginate sodium sulfate and its oligosaccharides.

Carbohydrate polymers·2015
Same author

MsZEP, a novel zeaxanthin epoxidase gene from alfalfa (Medicago sativa), confers drought and salt tolerance in transgenic tobacco.

Plant cell reports·2015

関連する実験動画

Updated: Jan 8, 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

470

説明可能な機械学習を用いた甲状腺がん再発予測のためのWebアプリケーション：TCチェック

Huashu Wen1, Xiaohua Li1, Xia Zhao2

  • 1Information and Data Center, General Hospital of Southern Theater Command of PLA, Guangzhou, 510010, Guangdong, China.

Journal of cancer research and clinical oncology
|December 17, 2025
PubMed
まとめ

この研究では、甲状腺がんの再発を予測するための新しい機械学習モデルが導入され、高い精度が達成されました。開発されたTCCheckツールは、患者のための個別化された臨床的意思決定支援を提供します。

キーワード:
説明可能な機械学習複数のアルゴリズム再発スタッキング学習甲状腺がんWebアプリ

さらに関連する動画

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

8.6K
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

7.3K

関連する実験動画

Last Updated: Jan 8, 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

470
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

8.6K
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

7.3K

科学分野:

  • 内分泌学
  • 腫瘍学
  • 機械学習

背景:

  • 甲状腺がん（TC）は一般的な内分泌悪性腫瘍です。
  • TCの再発は、患者の予後に影響を与える重大な臨床的課題をもたらします。
  • 従来の統計モデルは、TCの再発を正確に予測するのに苦労しています。

研究 の 目的:

  • TC再発予測のための新しいスタッキングアンサンブル学習フレームワークを開発すること。
  • TC再発予測の精度と解釈可能性を向上させること。
  • 臨床的意思決定支援のためのユーザーフレンドリーなツールを作成すること。

主な方法:

  • 383人の患者（再発108人、非再発275人）のデータセットが使用されました。
  • スタッキングアンサンブルフレームワークは、SGD、ET、およびDTをXGBoostをメタ学習者として統合しました。
  • SHAP法は、モデルの解釈可能性と因子特定のために採用されました。

主要な成果:

  • スタッキングモデルは、精度96.52％、F1スコア93.55％、AUC 0.9921を達成しました。
  • トップ予測因子として特定されたのは、治療反応、年齢、Nステージ、リスク層別化、およびリンパ節腫脹でした。
  • オンライン予測のためのインタラクティブなWebツール、TCCheckが開発されました。

結論:

  • 開発されたフレームワークは、TC再発予測に対して効果的かつ解釈可能である。
  • TCCheckツールは、説明可能で個別化された臨床的意思決定支援を提供する。
  • このフレームワークは、他の癌における再発予測の参照として機能する。