从免疫组织化学到基于机器学习的基于头癌的瘤增殖特征的患者分层
Loredana G Marcu1, David C Marcu2, Ioana-Claudia Costin3
1Faculty of Informatics & Science, University of Oradea, Oradea 410087, Romania; Allied Health and Human Performance, University of South Australia, Adelaide, SA 5001, Australia.
Critical reviews in oncology/hematology
|October 25, 2025
概括
机器学习可以使用放射性签名预测头癌 (HNC) 的扩散. 这种非侵入性方法通过将成像模式与Ki-67表达水平相关联,有助于患者分层.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 生物标志物 生物标志物
背景情况:
- 头部癌 (HNC) 呈现出高增殖能力,侵略性行为和治疗反应不佳.
- 基-67核蛋白是细胞增殖的关键生物标志物,对于预测结果和HNC患者分层至关重要.
- 通过免疫组织化学进行传统的Ki-67量化是侵入性的.
研究的目的:
- 审查HNC中的扩散标志物,重点关注Ki-67.
- 探索最近的机器学习 (ML) 研究,识别放射性特征,以非侵入性地预测Ki-67表达水平.
- 评估ML在HNC扩散评估中的潜力.
主要方法:
- 在HNC中对扩散标记物的文献综述,强调Ki-67.
- 对最近基于ML的放射性研究进行分析,将成像模式与Ki-67表达相关联.
- 综合了有关HNC中ML的预测能力的研究结果.
主要成果:
- 放射学和机器学习为评估HNC扩散提供了一个非侵入性的,具有成本效益的替代方案.
- 新兴研究表明,ML能够识别与Ki-67水平相关的放射性信号.
- 这些放射性特征对预测扩散率和帮助临床决策充满希望.
结论:
- 机器学习显示了对非侵入性预测头癌扩散的巨大潜力.
- 通过ML识别的放射性信号可以帮助患者分层和预测结果.
- 需要进一步的研究来验证和在临床实践中实施这些基于ML的方法.
