使用机器学习来预测对肝细胞癌的图像导向疗法的反应
Celina Hsieh1, Amanda Laguna1, Ian Ikeda1
1From the Department of Diagnostic Imaging (C.H., A.W.P.M., Z.J.) and Warren Alpert Medical School (A.L.), Brown University, Providence, RI; Department of Radiology and Biomedical Imaging, Yale University School of Medicine, New Haven, Conn (I.I., J.C.); Department of Radiology, Hospital of the University of Pennsylvania, Philadelphia, Pa (G.N.); and Department of Radiology and Radiological Sciences, Johns Hopkins University School of Medicine, 601 N Caroline St, Baltimore, MD 21205 (H.X.B.).
Radiology
|November 7, 2023
概括
机器学习 (ML) 可以改善肝细胞癌 (HCC) 治疗选择. 通过分析定量成像和生物标志物,ML模型可以预测个性化微创疗法的治疗反应.
科学领域:
- 干预性瘤学 干预性瘤学
- 医学成像分析分析 医学成像分析
- 机器学习应用程序 机器学习应用程序
背景情况:
- 肝细胞癌 (HCC) 治疗方法正在进步,但目前的分期系统在优化患者选择方面扎.
- 现有的分期依赖于血清标记和基本成像,导致治疗反应变化.
- 需要一个多维的方法,整合定量成像,血清标记物和功能生物标记物,以便更好地对患者进行分拣.
研究的目的:
- 审查机器学习 (ML) 的基础知识.
- 提供ML在预测HCC患者接受微创图像导向治疗的治疗反应方面的潜力的全面概述.
- 突出需要超越传统分期系统的先进方法.
主要方法:
- 讨论放射学和人工智能 (AI) 来从医疗图像中提取多维数据.
- 解释机器学习 (ML) 是人工智能的子集,模型从数据中学习以进行预测.
- 专注于这些基于图像的方法在HCC的干预瘤学中的应用.
主要成果:
- 机器学习模型可以自动提取和处理来自医疗记录和图像的大量数据.
- 多维数据的合成可以为个性化治疗提供临床相关的见解.
- ML在预测治疗反应,指导个性化治疗和优化资源使用方面显示出潜力.
结论:
- 机器学习提供了一个强大的工具来克服当前HCC分期系统的局限性.
- 将定量成像特征和生物标志物与ML集成,可以提高对治疗反应的预测.
- 这种方法有望优化患者选择和个性化HCC的最小侵入性治疗.
