机器学习应用于小儿低度质瘤的MRI成像
Kareem Kudus1,2, Matthias Wagner3,4, Birgit Betina Ertl-Wagner1,2,3,5
1Neurosciences & Mental Health Research Program, The Hospital for Sick Children, Toronto, Canada.
概括
机器学习 (ML) 可以自动化儿科低度质瘤 (pLGG) 治疗的任务,包括从医疗图像中识别遗传状态. 标准化对于在临床环境中部署这些ML模型至关重要.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 儿科神经瘤学 儿童神经瘤学
背景情况:
- 机器学习 (ML) 为自动化儿科低度质瘤 (pLGG) 治疗任务提供了潜力.
- ML可以从医疗图像中提取关键的,以前无法获得的信息.
- 在手术前确定pLGG的遗传状态方面,ML显示出希望.
研究的目的:
- 审查使用ML进行基于图像的pLGG评估的已出版作品.
- 为ML模型从研究向临床部署过渡提供背景.
主要方法:
- 对应用到pLGG成像的ML技术进行了全面的文献综述.
- 分析各种研究中的方法.
- 评估临床部署ML模型的要求.
主要成果:
- ML可以准确地分类,类型,细分,并检测pLGGs的遗传状态.
- 在研究中的方法学中观察到显著的变化.
- 标准化和协作对于加速临床部署至关重要.
结论:
- ML技术在pLGG处理方面具有变革性的潜力.
- 在克服ML模型临床部署的障碍方面仍然存在挑战.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
