放射学-基因组学集成的深度学习用于计算瘤学:一个迷你回顾
Feng-Ao Wang1, Yixue Li1,2,3, Tao Zeng2,3
1Key Laboratory of Systems Health Science of Zhejiang Province, School of Life Science, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou 310024, China.
Computational and structural biotechnology journal
|July 22, 2024
概括
深度学习通过整合放射学和基因组学数据来增强计算瘤学,以改善患者状态评估. 这种方法有助于发现新的生物标志物和治疗点,在临床实践中推进AI.
科学领域:
- 计算瘤学是一种计算瘤学.
- 医学中的人工智能.
- 生物医学数据整合
背景情况:
- 放射基因组学是计算瘤学中评估患者状况的关键.
- 深度学习的进步使放射学,基因组学和奥米克数据的整合成为可能.
- 人工智能集成提高了临床预测的稳定性和准确性.
研究的目的:
- 审查最近在放射学-基因组学整合中的深度学习发展.
- 突出多式联运数据集成当前的挑战.
- 在计算瘤学中概述生物标志物发现的研究方向.
主要方法:
- 专注于深度学习模型,以整合放射学和基因组学数据.
- 使用可解释的AI (xAI) 进行生物标志物和目标识别.
- 审查有关瘤学多式联络数据融合的文献.
主要成果:
- 深度学习显著提高了临床预测的准确性.
- 人工智能有助于识别新的放射学-基因组学生物标志物.
- 多模式整合增强了患者状况评估的稳定性.
结论:
- 深度学习对于在临床瘤学中推进人工智能至关重要.
- 在多式联运一体化和生物标志物发现方面需要进一步的研究.
- 放射学与奥米克斯的整合对未来的瘤学应用具有前景.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
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
