Jove
Visualize
联系我们
这页已由机器翻译。其他页面可能仍然显示为英文。View in English
  1. 首页
  3. 研究领域
  5. 生物医学和临床科学
  7. 瘤学和致癌症
  9. 预测和预后标志物
  11. 基于术前和术后对比增强t1成像的深度学习模型来区分质母细胞瘤的伪进展和瘤进展
  1. 首页
  3. 研究领域
  5. 生物医学和临床科学
  7. 瘤学和致癌症
  9. 预测和预后标志物
  11. 基于术前和术后对比增强t1成像的深度学习模型来区分质母细胞瘤的伪进展和瘤进展

相关实验视频

Translational Orthotopic Models of Glioblastoma Multiforme
07:37

Translational Orthotopic Models of Glioblastoma Multiforme

Published on: February 17, 2023

3.0K

基于术前和术后对比增强T1成像的深度学习模型来区分质母细胞瘤的伪进展和瘤进展

Junxian Li1, Renhe Liu2, Yuchen Xing3

  • 1Department of Blood Transfusion, Key Laboratory of Cancer Prevention and Therapy in Tianjin, National Clinical Research Center for Cancer, Tianjin's Clinical Research Center for Cancer, Tianjin Medical University Cancer Institute and Hospital, Tianjin Medical University, Tianjin 300060, China.

Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
|August 25, 2025

在PubMed 上查看摘要

概括
此摘要是机器生成的。

这项研究开发了一个深度学习模型,使用MRI扫描来预测质母细胞瘤患者的伪进展与瘤进展. 该模型准确预测治疗反应和潜在瘤生长,有助于预后.

科学领域:

  • 神经成像
  • 医学的人工智能
  • 癌症学

背景情况:

  • 对质母细胞瘤 (GBM) 患者的治疗和预后来说,准确预测质母细胞瘤 (PsP) 与瘤进展 (TuP) 是至关重要的.
  • 使用常规成像方法将PsP与TuP区分开来是一项挑战.

研究的目的:

  • 开发和验证深度学习 (DL) 预后模型,用于预测 GBM 患者的 PsP 与 TuP.
  • 利用术前和术后对比度增强的T1加权 (CET1) 磁共振成像 (MRI) 来提高预测准确度.

主要方法:

  • 一个视力转换器 (ViT) DL模型从110名GBM患者的手术前和后的CET1MRI扫描中训练了专家细分的瘤区域.
  • 对比分析包括主流卷积神经网络 (CNN) 模型,通过PCA和LASSO回归进行特征选择.
  • 综合多模式方法将DL特征与临床特征集成,以进行全面的预测.

主要成果:

  • 使用手术前和手术后图像的CET1- ViT模型实现了高性能 (AUC高达95. 5%的训练,95. 2%的验证).
  • 在预测PsP与TuP方面,ViT模型显著优于标准CNN架构.
  • 多模式模型显示出优异的预测能力,AUC达到98.6% (训练) 和99.3% (验证).
关键词:
增强对比度的T1深度学习质母细胞瘤伪进步瘤的进展

更多相关视频

Modeling Brain Metastasis by Internal Carotid Artery Injection of Cancer Cells
10:01

Modeling Brain Metastasis by Internal Carotid Artery Injection of Cancer Cells

Published on: August 2, 2022

7.0K
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting 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

相关实验视频

Translational Orthotopic Models of Glioblastoma Multiforme
07:37

Translational Orthotopic Models of Glioblastoma Multiforme

Published on: February 17, 2023

3.0K
Modeling Brain Metastasis by Internal Carotid Artery Injection of Cancer Cells
10:01

Modeling Brain Metastasis by Internal Carotid Artery Injection of Cancer Cells

Published on: August 2, 2022

7.0K
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting 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

相关概念视频

Tumor Progression02:07

Tumor Progression

6.5K
Tumor progression is a phenomenon where the pre-formed tumor acquires successive mutations to become clinically more aggressive and malignant. In the 1950s, Foulds first described the stepwise progression of cancer cells through successive stages.
Colon cancer is one of the best-documented examples of tumor progression. Early mutation in the APC gene in colon cells causes a small growth on the colon wall called a polyp. With time, this polyp grows into a benign, pre-cancerous tumor. Further...
6.5K
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

结论:

  • 一个使用手术前和手术后CET1MRI的新型DL模型有效预测了GBM患者的PsP与TuP.
  • 这种方法为评估治疗效果和检测瘤复发的早期迹象提供了有前途的工具.
  • 这些发现支持将先进的DL技术纳入神经瘤学,以改善患者的治疗结果.