多模式人工智能驱动的生物标志物用于早期检测癌症
Sabeen Ahmed1,2, Nathan Parker3, Margaret Park4,5
1Department of Machine Learning, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL.
medRxiv : the preprint server for health sciences
|September 26, 2025
概括
一个新的AI生物标志物利用各种临床数据早期检测癌症缓解症. 这个工具可以改善早期检测和生存预测,以获得更好的个性化癌症护理.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 生物标志物开发 生物标志物开发
背景情况:
- 癌症缓冲症是一种严重的代谢综合征,与癌症的不良结果有关.
- 由于缺乏标准化生物标志物,早期检测受到阻碍.
- 现有的检测方法缺乏通用性和早期检测能力.
研究的目的:
- 开发和验证一种基于人工智能的多式生物标志物,用于早期癌症缓解症检测.
- 利用基础模型和大型语言模型 (LLM) 来提高预测准确性.
- 为个性化瘤学创建一个可扩展和临床部署的工具.
主要方法:
- 在临床,放射学,实验室和非结构化临床笔记数据上训练了一种多式人工智能生物标志物.
- 利用基础模型和LLM用于特征提取和预测.
- 集成多种数据模式,包括临床文本和CT图像嵌入.
主要成果:
- 通过整合临床文本和CT图像嵌入,实现了92%的预测准确度.
- 通过增加数据模式集成,证明了更好的生存预测.
- 框架容纳缺少的数据,确保可扩展性和现实世界的适用性.
结论:
- 人工智能生物标志物提供了一个临床上适用的,可扩展的,可信赖的工具,用于早期癌症缓解症检测.
- 针对患者的预测和不确定性估计提高了临床可靠性和个性化护理.
- 这种方法有助于将使用标准护理数据集成到现有的瘤工作流程中.
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
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
2.2K
