一种基于高光谱成像的新型分类模型,用于预测原发性膜性脏病患者对塔克罗利木斯的反应
Meijuan Sun1, Wenqiang Zhang1, Chongxuan Tian2
1Department of Nephrology, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Shandong Institute of Nephrology, Jinan, China.
Journal of biophotonics
|April 4, 2025
概括
这项研究引入了一种新的超光谱成像模型,用于预测初级膜性病 (PMN) 患者的塔克罗利斯 (TAC) 治疗有效性. 该模型准确预测患者的反应,改进了传统方法.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 目前用于预测塔克罗利斯 (TAC) 在原发性膜性病 (PMN) 的疗效的方法依赖于血清学和尿液分析.
- 这些传统指标受到许多因素的影响,限制了它们在预测PMN患者治疗结果的准确性.
研究的目的:
- 开发和验证一种新的分类模型,用于预测患者对TAC治疗的反应.
- 提高在接受TAC治疗的PMN患者治疗效果预测的准确性.
主要方法:
- 开发了一个新的分类模型 (RCN),将超光谱成像与一维卷积神经网络 (1D CNN) 和相关向量机 (RVM) 集成在一起.
- 分析了来自PMN患者病理切片的超谱数据,根据皮质类固醇和TAC治疗结果分为缓解和非缓解组.
主要成果:
- RCN模型展示了从光谱数据中有效提取关键特征的能力.
- 获得了高分类性能,表明该模型在区分响应和不响应患者中的有效性.
结论:
- 拟议的基于高光谱成像的模型为预测PMN患者TAC治疗效果提供了更准确的方法.
- 这种方法超越了传统的血清学和尿液分析的局限性,用于预测治疗反应.
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
8.2K
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
6.7K
