相关实验视频

Updated: Jun 3, 2025

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

基于放射学的机器学习模型的GPT-4高级数据分析的潜力

Martha Foltyn-Dumitru^1,2,3, Aditya Rastogi^1,2,3, Jaeyoung Cho^1,2,3

¹Division for Computational Radiology & Clinical AI (CCIBonn.ai), Department of Neuroradiology, Bonn University Hospital, Bonn, Germany.

Neuro-oncology advances

|January 9, 2025

概括

GPT-4的高级数据分析 (ADA) 自主开发的机器学习模型 (MLM) 用于质瘤预测,在一个数据集上表现优于手工模型. 然而,由于数据集不平衡,性能因质瘤类型而异,突出显示了端到端ML管道处理的局限性.

科学领域:

医疗成像中的人工智能
机器学习用于瘤学
放射学和计算机病理学

背景情况:

质瘤分子亚型对治疗决策至关重要.
对MRI数据的放射学分析为非侵入性质瘤分类提供了潜力.
开发自动机器学习模型 (MLM) 可以简化这一过程.

研究的目的:

评估GPT-4的高级数据分析 (ADA) 包,用于自主MLM开发.
用MRI的放射学特征来预测质瘤分子类型.
为了对ADA的业绩进行比较,与已建立的手工MLM进行比较.

主要方法:

从615个手术前MRI中提取的放射性特征.
多类ML方法使用ADA构建ML管道.
与使用N4,Zscore和WhiteStripe规范化的手工模型进行比较.
在两个独立的质瘤数据集 (D2,D3) 上进行外部验证.

主要成果:

在D3上,GPT-4取得了0.820准确度,显著超过了基准值 (0.678).
对于IDH野生型质瘤 (0.997),GPT-4的回忆率很高,但对于IDH突变型质瘤的回忆率较低.
在D2数据集上的表现低于基准,与类别相似的变化.

结论:

GPT-4的ADA可以自主开发基于放射学的竞争性MLM.
各类智能性能差异表明处理不平衡数据集的局限性.
为了在质瘤亚型中实现强大的端到端ML管道自动化,需要进一步精细化.

关键词:

IDH IDH 是一个字母.质瘤质瘤是一种大型语言模型.机器学习是机器学习.无线电学 (radiomics) 是一种无线电学.

更多相关视频

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics

Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics

Published on: January 8, 2018

相关概念视频