Jove
Visualize
联系我们
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

相关概念视频

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. 基于深度学习的多组学模型用于结直肠癌术后远程转移的风险分层
  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. 基于深度学习的多组学模型用于结直肠癌术后远程转移的风险分层

相关实验视频

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
07:13

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

193

基于深度学习的多组学模型用于结直肠癌术后远程转移的风险分层

Xiuzhen Yao1, Xiaoyu Han2, Danjiang Huang3

  • 1Department of Ultrasound, Putuo People's Hospital, School of Medicine, Tongji University, Shanghai, China (X.Y.).

Academic radiology
|September 5, 2025

在PubMed 上查看摘要

概括
此摘要是机器生成的。

深度学习模型在手术后准确预测结直肠癌患者的远程转移. 这些先进的诺米图模型有效地分层了无病生存风险,改善了患者的预后评估.

关键词:
大肠直肠癌远程转移病理学预测情况

更多相关视频

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
06:46

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Published on: September 27, 2024

372
Advanced Animal Model of Colorectal Metastasis in Liver: Imaging Techniques and Properties of Metastatic Clones
11:43

Advanced Animal Model of Colorectal Metastasis in Liver: Imaging Techniques and Properties of Metastatic Clones

Published on: November 30, 2016

12.8K

相关实验视频

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
07:13

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

193
Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
06:46

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

Published on: September 27, 2024

372
Advanced Animal Model of Colorectal Metastasis in Liver: Imaging Techniques and Properties of Metastatic Clones
11:43

Advanced Animal Model of Colorectal Metastasis in Liver: Imaging Techniques and Properties of Metastatic Clones

Published on: November 30, 2016

12.8K

科学领域:

  • 癌症学
  • 医学成像
  • 人工智能

背景情况:

  • 结肠直肠癌 (CRC) 在预测术后远程转移 (DM) 和生存方面具有重大挑战.
  • 准确的预后对于定制治疗策略和改善患者的结果至关重要.

研究的目的:

  • 开发和验证基于深度学习的多态模型,用于预测CRC患者的DM.
  • 评估这些模型在评估生存预后和分层风险方面的有效性.

主要方法:

  • 对521名手术前CT和手术后组织病理学数据的回顾性分析.
  • 使用ResNet-101骨干开发深度学习放射学 (DLRS) 和深度学习病理学 (DLPS) 模型.
  • 将放射性和病理特征整合到两个预测和风险分层的诺莫格拉姆模型中.

主要成果:

  • 深度学习模型 (DLRS,DLPS) 实现了DM的高预测性能 (AUC> 0.91).
  • 与传统模型相比,集成的诺姆图模型显示出更高的准确性 (AUC> 0. 93).
  • 在卡普兰-梅尔分析中,诺米图有效地分层了3年无病生存期 (DFS).

结论:

  • 基于深度学习的多态模型在CRC中提供高准确度的术后DM预测.
辐射学
  • 诺莫格拉姆模型提供了可靠的DFS风险分层,有助于CRC患者的临床决策.