相关实验视频

Updated: Jul 18, 2025

Detection of Rare Mutations in CtDNA Using Next Generation Sequencing

Detection of Rare Mutations in CtDNA Using Next Generation Sequencing

Published on: August 24, 2017

用密度变形器对EGFR突变状态的端到端预测

Shijie Zhao, Wenyuan Li, Zhuoyan Liu

IEEE journal of biomedical and health informatics

|August 21, 2023

概括

一个新的Denseformer框架使用3D肺CT图像进行肺腺癌的非侵入性表皮生长因子受体 (EGFR) 基因定型,改善治疗计划. 这种深度学习方法避免了手动注释,并提高了预测的准确性.

科学领域:

放射学放射学是一门学科.
在瘤学瘤学.
人工智能的人工智能

背景情况:

精确的表皮生长因子受体 (EGFR) 基因定型对于肺腺癌治疗至关重要.
目前的方法,如活检和测序测试是侵入性的和复杂的.
用CT图像进行深度学习提供了一个非侵入性的替代方案,但存在局限性.

研究的目的:

提出一个Denseformer框架,用于直接从3D肺CT图像中进行端到端,非侵入性的EGFR突变状态识别.
克服手动瘤注释的局限性和现有方法中功能利用不足的局限性.
利用全肺CT数据,考虑到EGFR状态与更广泛的肺微环境的关联.

主要方法:

开发了一个Denseformer框架,集成卷积神经网络 (CNN) 和变压器架构.
使用3D全肺CT图像作为直接输入,消除了手动结节注释的需要.
包含一个综合变压器模块,用于全球集成多层和多层功能.

主要成果:

在Denseformer框架中,可以有效地从3DCT图像中提取特征,从而准确地预测EGFR突变状态.
该模型与仅使用CT成像的最先进方法相比,实现了更高的性能.
该方法在没有侵入性程序或手册注释的情况下成功预测了EGFR突变状态.

结论:

拟议的Denseformer框架提供了一种准确的,非侵入性的方法,用于使用3DCT扫描进行肺腺癌的EGFR基因定型.
这种深度学习方法消除了手动瘤细分的需要,减少了时间和主观性.
形仪代表了从医学成像中预测EGFR突变状态的重大进步.

更多相关视频

Visualizing Genetic Variants, Short Targets, and Point Mutations in the Morphological Tissue Context with an RNA In Situ Hybridization Assay

Visualizing Genetic Variants, Short Targets, and Point Mutations in the Morphological Tissue Context with an RNA In Situ Hybridization Assay

Published on: August 14, 2018

Employing Digital Droplet PCR to Detect BRAF V600E Mutations in Formalin-fixed Paraffin-embedded Reference Standard Cell Lines

Employing Digital Droplet PCR to Detect BRAF V600E Mutations in Formalin-fixed Paraffin-embedded Reference Standard Cell Lines

Published on: October 8, 2015

相关概念视频