相关实验视频
Updated: Sep 9, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.1K
在非小细胞肺癌中预测免疫治疗反应和发现生物标志物的多模式深度学习
Zijun Wang1, Xi Liu1, Kaitai Han1
1Academy of Artificial Intelligence, Beijing Institute of Petrochemical Technology, 19 Qingyuan North Road, Daxing District, Beijing 102617, China.
Journal of the American Medical Informatics Association : JAMIA
|September 3, 2025
概括
一个新的多模式模型,DeepAFM,整合了病理学,基因组学和临床数据,以预测晚期非小细胞肺癌 (NSCLC) 的免疫治疗反应. 这种方法提高了预测准确度,并确定了个性化治疗的潜在生物标志物.
科学领域:
- 癌症学
- 计算生物学
- 医疗信息学
背景情况:
- 免疫疗法,特别是抗PD-L1治疗,对晚期非小细胞肺癌 (NSCLC) 是有前途的.
- 预测患者对免疫治疗的反应仍然是一个重大的临床挑战.
研究的目的:
- 开发和验证新型多式深度学习模型DeepAFM.
- DeepAFM整合了组织病理学,基因组特征和临床数据,用于预测高级NSCLC的免疫治疗反应.
主要方法:
- 采用了93名晚期NSCLC患者的全片细胞病理图像,基因组变异和临床变量.
- 用自主监督的VQVAE2进行细胞病理表现学习,然后进行PCA和K-means集群.
- 在DeepAFM预测模型中集成多式联络功能.
主要成果:
- DeepAFM以0.77的曲线下面面积 (AUC) 实现了高的预测性能.
- 基于注意力的热图确定了与免疫治疗反应相关的关键病理模式,基因组突变和临床指标.
结论:
- 在DeepAFM中的多模式数据集成捕获了复杂的相互作用,提高了免疫治疗反应预测的解释性和准确性.
- 该模型为高级NSCLC的个性化治疗策略和生物标志物发现提供了见解.
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
06:32Author Spotlight: Unlocking Insights into the Immune Cell Landscape of Tumors
Published on: August 18, 2023
2.2K
