在鼻癌中远程转移的多式AI风险分层
J Zhou1, M S Wibawa2, R Wang2
1State Key Laboratory of Oncology in South China, Guangdong Key Laboratory of Nasopharyngeal Carcinoma Diagnosis and Therapy, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou, China.
ESMO open
|September 25, 2025
概括
一个新的深度学习风险评分准确预测鼻癌 (NPC) 的结果,包括远程转移和生存. 该工具有助于为NPC患者提供个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 鼻癌 (NPC) 治疗依赖于TNM分期系统,但患者的结果各不相同.
- 目前对NPC远程转移的管理指南有限.
- 预测NPC患者的存活率仍然是一个挑战.
研究的目的:
- 开发和验证基于深度学习的风险评分,用于预测鼻癌 (NPC) 存活率.
- 改善NPC患者的风险分层和个性化治疗.
主要方法:
- 开发了鼻癌 (GNPC) 风险评分的图表,这是一个多式联络深度学习模型.
- 综合性血素和色染色组织的幻灯片图像和临床数据.
- 在两个独立的队列中对1949名患者验证了GNPC得分.
主要成果:
- 远程转移 (P < 0.001),总生存率 (P < 0.01) 和局部复发 (P < 0.05) 的GNPC得分显著分层患者.
- 下游分析揭示了与基于GNPC评分的风险组相关的因素,包括形态,分子和基因组资料.
结论:
- 在NPC中,GNPC数字分数显示了远程转移,整体存活率和局部复发的强有力的预测性能.
- 这种工具有可能增强NPC的个性化治疗策略和临床管理.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.7K