相关实验视频
Updated: Jun 10, 2025
Detection of Lung Tumor Progression in Mice by Ultrasound Imaging
Published on: February 27, 2020
基于超声波的人工智能模型用于预测软组织瘤中的Ki-67扩散指数
Xinpeng Dai1, Haiyong Lu2, Xinying Wang1
1Department of Ultrasound, Hebei Medical University Third Hospital, Shijiazhuang, Hebei province, China (X.D., X.W., Y.L., Z.L., X.S.).
这项研究表明,结合深度学习 (DL),放射学和临床数据,可以准确预测软组织瘤 (STT) 的增殖. 这种融合模型为评估STT中的Ki-67表达提供了一个有希望的,非侵入性的方法.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 基-67增殖指数对于软组织瘤 (STT) 的分类和治疗计划至关重要.
- 准确,非侵入性预测Ki-67表达仍然是临床实践中的一个挑战.
研究的目的:
- 评估结合深度学习 (DL),放射学和临床特征的有效性,以预测STT中的Ki-67扩散指数.
- 开发和验证一个强大的模型,用于在STT中进行非侵入性Ki-67评估.
主要方法:
- 一项回顾性研究包括来自两个医院 (培训和验证队列) 的394名性传播疾病患者.
- 临床,超声波,放射和DL特征被提取和分析.
- 使用支持矢量机构建特征融合和决策融合模型.
- 模型性能使用DeLong测试进行了比较.
主要成果:
- 功能融合模型整合了临床,放射学和DL特征,实现了最高的性能.
- 该模型表现出极好的预测准确性,AUC为0.911 (训练) 和0.923 (验证).
- 融合模型被证明是精心校准和临床有用的,优于决策融合模型.
结论:
- 基于超声波的融合模型结合了临床,放射学和DL特征,有效地预测了STT中的Ki-67表达水平.
- 这种综合方法为非侵入性评估瘤增殖提供了有价值的工具.
更多相关视频
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
13:34A Combined 3D Tissue Engineered In Vitro/In Silico Lung Tumor Model for Predicting Drug Effectiveness in Specific Mutational Backgrounds
Published on: April 6, 2016