放射学与肉症相遇:基于机器学习的多式模式建模食道癌症的结果
Cheng-Ming Peng1,2, Chun-Wen Chen3,4,5, Chia-Hong Hsieh3,6
1Department of Surgery, Chung Shan Medical University Hospital, Taichung 40201, Taiwan.
World journal of gastrointestinal oncology
|October 20, 2025
概括
机器学习模型结合放射学和肉症显示出预测食道癌存活率的前景. 将这些生物标志物与临床数据相结合,可以提高预后准确度,从而实现个性化治疗规划.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 食道癌是具有不良结果的侵袭性,需要改进的预后工具.
- 目前的治疗方法往往由于晚期诊断和高复发率而失败.
- 个性化管理策略需要准确预测患者的存活率.
研究的目的:
- 系统地审查最近 (2022-2024) 关于食道癌预后的集成机器学习 (ML) 模型的研究.
- 评估放射学,肉症和临床数据对生存结果的综合预测能力.
- 评估多模式生物标志物的潜力,以提高食道癌患者的风险分层.
主要方法:
- 对六项研究 (2022-2024) 的系统综述,涉及患有食道和胃食道癌症的患者.
- 综合ML模型的分析,包括放射学 (瘤纹理/形状) 和肉症 (骨肌指数).
- 包括各种成像模式 (PET/CT,CT) 和ML算法 (Cox回归,随机森林,LGBM).
主要成果:
- 结合临床数据,放射学和肉症的综合ML模型,与单一模式模型相比,显示出更高的生存预测.
- 分析的特征包括骨肌肉指数,瘤纹理和形状描述符.
- 研究使用了从83到243名患者的样本大小.
结论:
- 与ML集成的多式成像生物标志物 (放射性和肉) 显示出强大的潜力,在食道癌症中提供强大的,个性化的预后模型.
- 这些模型可以增强个性化的风险分层和治疗规划.
- 为了标准化和外部验证,需要进行进一步的研究,因为大多数研究都是追溯性的.
更多相关视频
07:13Comparison 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
485
13:35Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos
Published on: March 21, 2021
11.6K
