在胃癌中使用深度学习放射学进行非侵入性瘤微环境评估和治疗反应预测
Yuming Jiang1, Kangneng Zhou2, Zepang Sun3
1Department of General Surgery & Guangdong Provincial Key Laboratory of Precision Medicine for Gastrointestinal Tumor, Nanfang Hospital, Southern Medical University, Guangzhou, China; Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA.
Cell reports. Medicine
|August 9, 2023
概括
这项研究引入了一种使用放射学和深度学习的非侵入性方法,通过放射学图像预测胃癌患者的瘤微环境 (TME) 状态,以帮助治疗决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 瘤微环境 (TME) 显著影响癌症进展和治疗结果.
- 对TME的准确评估对于个性化癌症治疗至关重要.
研究的目的:
- 开发和验证一种非侵入性放射学模型,用于预测胃癌中TME状态.
- 评估模型的预后价值及其预测对不同癌症疗法的反应的能力.
主要方法:
- 结合了放射学和深度学习分析,对来自多个机构的2,686名胃癌患者的放射图像进行了分析.
- 验证了模型对TME状态,预后和治疗反应的预测准确性.
主要成果:
- 放射学模型准确地预测了TME状态,并作为一个独立的预后因素.
- 该模型预测了辅助化疗在局部疾病和免疫治疗临床反应中的好处.
- 该模型在与免疫治疗反应的现有生物标志物相结合时,提高了预测准确度.
结论:
- 使用放射学和深度学习,对TME进行非侵入性放射学评估是可行的.
- 这种方法可以指导治疗决策,监测治疗反应,并可能应用于其他固体瘤.
关键词:
这是一个CT图像CT图像CT图像CT图像.深度学习是一种深度学习.胃癌 胃癌 是一种胃癌.免疫疗法 免疫疗法无线电学 (radiomics) 是一种无线电学.治疗对治疗的反应反应.瘤微环境是一个微环境.更多相关视频
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
11.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K