相关实验视频
Updated: May 23, 2025
06:23
A Murine Orthotopic Bladder Tumor Model and Tumor Detection System
Published on: January 12, 2017
14.6K
一个基于CT的可解释的深度学习特征,用于预测膀癌中的PD-L1表达:一项两中心研究
Xiaomeng Han1, Jing Guan2, Li Guo3
1Department of Radiology, The Affiliated Hospital of Qingdao University, 16 Jiangsu Road, Qingdao, Shandong, 266003, China.
概括
一个深度学习 (DL) 签名准确地预测了使用CT扫描在膀癌 (BCa) 中的编程细胞死亡配体1 (PD-L1) 表达. 这种可解释的工具有助于预测BCa患者的PD-L1状态.
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:
- 膀癌 (BCa) 管理需要准确预测编程细胞死亡配体1 (PD-L1) 的表达.
- 目前用于PD-L1评估的方法可能是侵入性的或耗时的.
研究的目的:
- 开发和验证深度学习 (DL) 签名,用于预测BCa患者使用计算机断层扫描 (CT) 图像的PD-L1表达状态.
- 将DL签名的性能与放射学机器学习模型进行比较.
主要方法:
- 两家医院的190名BCa患者的回顾性分析.
- 利用卷积神经网络和放射学来开发模型.
- 外部验证和与放射学和临床模型的比较;通过沙普利添加式解释 (SHAP) 来解释DL.
主要成果:
- 在外部验证集上,DL签名在曲线下的面积 (AUC) 为0.857,优于其他模型.
- SHAP分析表明,瘤边缘区域,特别是膀壁附近,显著影响PD-L1预测.
- DL签名显示了PD-L1表达状态的优异预测性能.
结论:
- 开发的DL签名是一种有价值,可靠和可解释的工具,用于预测BCa中的PD-L1表达.
- 这种基于CT的DL方法提供了一种评估PD-L1状态的非侵入性方法.
- 这些发现支持DL在膀癌精密瘤学的临床实用性.
