相关实验视频
Updated: Jun 15, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
综合非侵入性诊断用于预测免疫治疗中的存活率
M Yeghaian1,2, Z Bodalal1,2, T M Tareco Bucho1,2
1Department of Radiology, The Netherlands Cancer Institute, Amsterdam, The Netherlands.
Immuno-oncology technology
|August 26, 2024
概括
整合非侵入性诊断数据,如CT扫描和实验室测试,适度提高了人工智能 (AI) 模型对晚期癌症1年生存率的预测. 这种方法提高了AI在临床使用中的稳定性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 人工智能 (AI) 模型需要强大的预测性能来进行临床验证.
- 整合不同的诊断数据源可以提高AI模型的准确性.
- 预测患者的存活率对于晚期癌症的治疗计划至关重要.
研究的目的:
- 评估整合非侵入性诊断数据的价值,以预测1年生存率.
- 通过结合胸部计算机断层扫描 (CT) 成像,实验室测试和临床参数来评估AI模型的性能.
- 分析高级非小细胞肺癌,黑色素瘤和尿道癌患者的生存预测,这些患者接受免疫治疗.
主要方法:
- 分析了475名患有晚期癌症的患者的回顾性队列.
- 人工智能模型在个别数据模式上受训:CT扫描,实验室测试和临床参数.
- 一种模型不可知的方法从不同的模式中整合了预测概率.
主要成果:
- 整合CT和实验室数据,实现了0.83的曲线下的最大面积 (AUC) (95% CI 0.81-0.85).
- 使用实验室数据 (AUC 0.81) 和CT数据 (AUC 0.73) 的单个模型显示出较低的预测性能.
- 整合补充诊断数据显示,预测性能略有提高.
结论:
- 整合非侵入性诊断数据模式,在回顾性队列中改善了生存预测性能.
- 综合CT和实验室数据为免疫治疗结果提供了增强的预测能力.
- 这种多式联运数据整合策略显示了改善人工智能驱动的临床决策的前景.
