生物标志物分析和整合异质模型,以提高多级乳腺癌预后
Rakesh Chandra Joshi1, Pallavi Srivastava2, Rashmi Mishra2
1Amity Centre for Artificial Intelligence, Amity University, Noida, Uttar Pradesh, India; Centre for Advanced Studies, Dr. A.P.J. Abdul Kalam Technical University, Lucknow, Uttar Pradesh, India.
Computer methods and programs in biomedicine
|August 3, 2024
概括
这项研究引入了一个人工智能模型,用于早期乳腺癌检测和分级,使用生物标记物 (β-人类胆性淋巴激素,PD-L1,α-胎儿蛋白) 和年龄. 该模型实现了高精度,改善了诊断和治疗,特别是在资源有限的地区.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 生物标志物研究 生物标志物研究
背景情况:
- 乳腺癌是全球女性死亡的主要原因之一.
- 有限的认识和查资源阻碍了早期诊断和有效治疗.
- 准确的早期检测对于改善生存率至关重要.
研究的目的:
- 开发一种基于人工智能的模型,用于预测乳腺癌及其组织病理学等级.
- 整合多个生物标志物和受试者年龄,以提高诊断准确性和预后.
- 推进乳腺癌查和个性化治疗策略.
主要方法:
- 一个整体的机器学习框架,将β-人类胆管性淋巴激素 (β-hCG),编程细胞死亡干1 (PD-L1) 和α-fetoprotein (AFP) 与受试者年龄相结合.
- 粒子群集优化 (PSO) 用于超参数调整和少数超采样,以防止过拟合.
- 模型性能使用五倍交叉验证进行验证.
主要成果:
- 人工智能模型在测试数据上实现了97.93%的准确性和98.06%的F1得分.
- 与最先进的方法相比,在不同年龄组中表现出卓越的性能.
- 突出了拟议框架的稳定性和通用性.
结论:
- 这项研究通过整合多个生物标志物来准确分类瘤,在乳腺癌查方面取得了重大进展.
- 人工智能框架有可能降低死亡率,特别是在资源有限的环境中.
- 能够改善乳腺癌患者的早期干预和个性化治疗策略.
更多相关视频
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
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
1.4K
