基于物理的机器学习数字双胞胎用于通过PSA测试重建前列腺癌瘤生长
Daniel Camacho-Gomez1,2, Carlos Borau1,3, Jose Manuel Garcia-Aznar1
1Department of Mechanical Engineering, Multiscale in Mechanical and Biological Engineering (M2BE), Aragon Institute of Engineering. Research (I3A), University of Zaragoza, Zaragoza, Spain.
NPJ digital medicine
|July 29, 2025
概括
这项研究引入了一种用于前列腺癌监测的新计算框架. 它使用基于物理的建模和机器学习重建瘤生长,改进早期检测和个性化治疗策略.
科学领域:
- 计算生物学 计算生物学
- 在瘤学瘤学.
- 生物物理学的生物物理.
背景情况:
- 目前的前列腺癌监测依赖于前列腺特异抗原 (PSA) 血液测试,这可能会错过瘤的生长.
- 精确的瘤生长重建对于有效的前列腺癌管理至关重要.
研究的目的:
- 从PSA水平重建前列腺癌瘤生长的计算框架.
- 将基于物理的建模和机器学习整合到数字双胞胎方法中,以加强监控.
主要方法:
- 一个基于物理学的模型模拟PSA分泌和血流,考虑到组织血管性.
- 深度学习通过使用患者PSA数据和数字双胞胎生理变量来调节瘤生长动态.
- 在诊断后2.5年内在真实患者中重建瘤生长.
主要成果:
- 该框架在患者重建中实现了低瘤体积相对误差 (0.8%至12.28%).
- 确定的瘤生长实例没有PSA水平显著增加.
- 证明了随着时间的推移准确地建模瘤动态的能力.
结论:
- 开发的计算框架为高级前列腺癌监测提供了一个有前途的工具.
- 通过提供对瘤行为的更准确的见解,使个性化监测协议成为可能.
- 突出了单独PSA水平的局限性和综合建模方法的需要.
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
8.3K
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
251