相关实验视频

Updated: Jun 24, 2025

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

使用乳房影像和磁共振成像为基础的放射学模型预测细胞瘤的预后:一项初步研究

Xiaowen Ma¹, Li Zhang¹, Qin Xiao¹

¹Department of Radiology, Fudan University Shanghai Cancer Center, Shanghai, China; Department of Oncology, Shanghai Medical College, Fudan University, Shanghai, China.

Clinical breast cancer

|June 5, 2024

概括

乳房影像和MRI图像的放射学分析可以预测在phyllodes瘤手术后的无疾病生存率. 这种方法有助于识别高风险复发的患者,指导个性化治疗策略.

科学领域:

在瘤学瘤学.
放射学放射学是一门学科.
医疗成像医学成像

背景情况:

乳腺瘤 (PT) 是一种罕见的乳腺瘤,具有不可预测的行为.
在PT手术后预测无病生存期 (DFS) 和复发风险对于患者管理至关重要.

研究的目的:

评估放射学模型的有效性,使用乳房影像 (MG) 和磁共振成像 (MRI) 来预测PT患者的DFS.
评估放射学评分作为术后复发风险指标的潜力.

主要方法:

对131名接受了手术前MG和MRI的PT患者进行了回顾性分析.
提取884个MG和3138个MRI放射性特征.
开发基于支持矢量机器的放射学模型,以预测复发风险并使用AUC评估性能.

主要成果:

个别MG和MRI放射学模型显示出良好的预测性能 (AUC高达0.93).
结合MG和MRI放射学模型的AUC最高为0.95.95.
所有开发的模型都表明,高风险和低风险组之间的存活率存在统计学上显著的差异 (P < .001).

结论:

术前MG和MRI的放射性特征是PT手术后DFS的有效预测器.
放射学模型的预测得分可以作为识别PT复发风险的宝贵工具.

关键词:

乳腺的纤维皮质瘤图像检查检查成像检查机器学习是机器学习.复发情况复发情况

更多相关视频

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging

Published on: December 15, 2014

相关概念视频