在开发用于再辐射的生物标志物领域的进展:小,强大的数据集和人工智能的指南
Chaudhry Huma1, Lee Hawon1, Jagasia Sarisha1
1Radiation Oncology Branch, Center for Cancer Research, National Cancer Institute, National Institutes of Health, Building 10, Bethesda, MD, 20892, United States.
Expert review of precision medicine and drug development
|March 29, 2024
概括
人工智能 (AI) 可以解决在再辐射 (re-RT) 研究中使用小数据集的挑战. 人工智能策略可以优化使用有限的re-RT数据来发现生物标志物和临床应用.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 再辐射 (re-RT) 的临床使用正在增加,但患者的选择是具有挑战性的.
- 现有的 re-RT 数据仅限于小型,异构的回顾性和前性研究.
- 经过验证的生物标志物通常需要进行大量研究,并进行长期随访.
研究的目的:
- 审查现有的再辐射出版物和数据集.
- 讨论人工智能 (AI) 策略,以优化使用小型re-RT数据集.
- 确定在再辐射中发现生物标志物的方法.
主要方法:
- 搜索了与相关的公共数据相关的re-RT出版物.
- 对用于生物标志物识别的小型数据集分析的文献进行了审查.
- 探索现有和新兴的AI策略,适用于小数据.
主要成果:
- 在公开数据的出版物中,质瘤和鼻癌是最常见的地点.
- 像数据生成,增强,发现和转移学习这样的AI策略可以解决小型数据挑战.
- 人工智能为分析有限的re-RT数据提供了潜在的解决方案.
结论:
- 进一步收集数据对于开发再技术的适应性框架至关重要.
- 需要改善用于分子分析的样本采集.
- 提高re-RT数据结果的可解释性至关重要.
