超越成像的卵巢癌:人工智能和多组学生物标志物的整合
Sepideh Hatamikia1,2, Stephanie Nougaret3, Camilla Panico4
1Research Center for Medical Image Analysis and AI (MIAAI), Danube Private University, Krems, Austria. sepideh.hatamikia@dp-uni.ac.at.
European radiology experimental
|September 12, 2023
概括
将多种数据类型与人工智能集成,可以改善卵巢癌分析. 与单个数据类型相比,Multiomics模型,特别是包括成像在内的模型,提供了更好的分类和预测.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 医疗成像医学成像
背景情况:
- 高度血清性卵巢癌是妇科癌症死亡的主要原因.
- 瘤微环境的异质性导致卵巢癌的预后不佳.
- 尽管全球数据丰富,但密集的数据限制了综合分析.
研究的目的:
- 审查综合多组学数据与人工智能用于卵巢癌分析的研究.
- 突出综合多态学方法相对于单一数据类型的优势.
- 评估成像在追踪瘤异质性的作用.
主要方法:
- 对整合两个或两个以上数据类型的研究的文献综述.
- 专注于基于人工智能的分类器和预测模型.
- 使用的数据类型的分析,包括临床,血清,成像,基因组学和转录学.
主要成果:
- 综合型多组学模型在卵巢癌分类和预后方面表现优于单一数据类型模型.
- 与临床数据相结合的成像被用于大约60%的审查研究.
- 遗传学/转录学与成像数据的组合很少被使用.
结论:
- 综合型多组学模型在卵巢癌分类和预后方面表现出卓越的性能.
- 图像数据有可能用于纵向跟踪瘤异质性的潜力.
- 进一步研究整合各种数据类型,包括基因组学和成像,是有必要的.
更多相关视频
09:08Integration of Bioinformatics Approaches and Experimental Validations to Understand the Role of Notch Signaling in Ovarian Cancer
Published on: January 12, 2020
6.8K
09:40Author Spotlight: Unveiling the Role of TMOD3 in Platinum Resistance and Immune Infiltration in Ovarian Cancer
Published on: August 2, 2024
2.7K
