相关实验视频
Updated: Jul 2, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.0K
癌症免疫疗法中基于放射学的生物标志物的旋转,为什么大规模验证仍然缺乏?
Marta Ligero1, Bente Gielen1, Victor Navarro2
1Radiomics Group, Vall d'Hebron Institute of Oncology (VHIO), Barcelona, Spain.
NPJ precision oncology
|February 21, 2024
概括
人工智能 (AI) 和放射学显示出通过分析医学图像来预测免疫治疗反应的前景. 然而,缺乏标准化的方法阻碍了临床使用,强调需要在研究设计和报告中对瘤学AI进行统一.
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:
- 预测免疫疗法反应在瘤学中至关重要.
- 人工智能 (AI) 和放射学是分析医疗图像以预测治疗成功的新兴工具.
- 放射学图像可以捕捉与免疫疗法反应相关的瘤表型.
研究的目的:
- 评估阻碍临床实施的放射学研究设计的变异性.
- 确定AI和放射学研究中免疫治疗不一致的来源.
- 通过元分析评估放射学在预测编程死亡配体1 (PD-L1) 表达的性能.
主要方法:
- 发表的放射学研究的全面审查.
- 在研究设计和方法学中识别可变性因素.
- 关于PD-L1表达预测的同质研究的用例元分析.
主要成果:
- 很少有放射学研究提供可比的方法或足够的数据来进行元分析.
- 尽管存在局限性,但有希望的结果突显了放射学在预测免疫治疗反应方面的潜力.
- 研究设计的显著变化阻碍了人工智能算法的直接比较和临床翻译.
结论:
- 标准化和基准测试对于在临床实践中推进放射学是必不可少的.
- 研究设计和报告的统一性对于验证生物标志物和促进患者选择免疫治疗至关重要.
- 解决方法上的不一致性将加速人工智能驱动的放射学工具的临床实施.
