针对患者的瘤生长机制模型,包括人工智能和大数据
Guillermo Lorenzo1,2, Syed Rakin Ahmed3,4,5,6, David A Hormuth7,1
1Oden Institute for Computational Engineering and Sciences, University of Texas, Austin, Texas, USA.
Annual review of biomedical engineering
|April 10, 2024
概括
个性化癌症治疗需要将患者数据与数学模型整合起来. 克服瘤建模理论当前的局限性对于预测和优化个体患者治疗反应至关重要.
科学领域:
- 在瘤学瘤学.
- 数学生物学 数学生物学
- 计算科学 计算科学
背景情况:
- 恶性瘤仍然是一个重大的公共卫生挑战,尽管在癌症治疗方面取得了进展.
- 个性化治疗,根据个体患者的反应量身定制,为改善癌症治疗结果提供了一个有希望的途径.
研究的目的:
- 审查目前关于瘤生长和对治疗的反应的数学建模方法.
- 突出机械和数据驱动模型在个性化癌症护理中的潜力和局限性.
- 确定开发患者特异性癌症治疗计算模型的关键挑战.
主要方法:
- 机械和数据驱动 (大数据,人工智能) 瘤建模技术的概述.
- 应用到瘤生长和治疗反应的数学模型的说明性示例.
- 讨论整合机械和数据驱动方法,以提高预测和规范能力.
主要成果:
- 机械模型和数据驱动模型都具有实用性,但在独立使用时也有局限性.
- 机械模型显示了预测和优化患者特异性治疗反应的潜力.
- 机械和数据驱动模型的整合是未来发展的关键领域.
结论:
- 对于瘤的发病,发育,侵袭和治疗反应,目前还缺乏一个强大的数学理论.
- 整合不同的建模方法对于推进个性化癌症护理至关重要.
- 要充分实现基于计算模型的个性化癌症治疗,必须解决五个基本挑战.
关键词:
人工智能的人工智能是人工智能.癌症 癌症 癌症 癌症 癌症计算瘤学计算瘤学机器学习是机器学习.机械模型是机械模型.医学成像医学成像显微镜 显微镜是指使用显微镜.多尺度模型是多尺度模型.俄米克斯 (Omics) 是一个电子产品.预测瘤的时间更多相关视频
13:34A Combined 3D Tissue Engineered In Vitro/In Silico Lung Tumor Model for Predicting Drug Effectiveness in Specific Mutational Backgrounds
Published on: April 6, 2016
10.2K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
