相关实验视频
Updated: Jan 11, 2026

04:43
Detection of Lung Tumor Progression in Mice by Ultrasound Imaging
Published on: February 27, 2020
7.3K
用放射性轨迹量化早期肺腺癌进展的量化
Zhen-Bin Qiu1,2,3, Jiaqi Li4,5, Shihua Dou6,7
1Guangdong Lung Cancer Institute, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, China.
NPJ digital medicine
|November 18, 2025
概括
RadioTrace是一个新的深度学习框架,通过整合成像和病理学数据来量化早期肺腺癌的进展. 它提供比传统方法更准确的预后,改善临床决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 对早期肺腺癌 (esLUAD) 进行准确的瘤进展评估至关重要.
- 目前的组织病理学分类可能无法完全捕捉瘤内异质性.
- 需要先进的方法来量化esLUAD的进展,超出传统病理学的范围.
研究的目的:
- 引入RadioTrace,这是一个深度对比学习框架,用于量化esLUAD进展.
- 整合放射性和病理信息进行全面的评估.
- 开发一个放射性轨迹来预测瘤进展和患者的结果.
主要方法:
- 开发了RadioTrace,这是一个深度对比学习框架.
- 综合CT扫描与病理学数据的放射性特征.
- 在四个多机构队列中验证了框架.
- 进行了生存分析,基因组,转录组和纵向CT分析.
主要成果:
- RadioTrace准确地预测了瘤表型,例如通过空气空间传播 (STAS) 和淋巴结转移 (LNM).
- 它作为一个独立的预后因素,显示了显著的生存差异 (p < 0.004).
- 在相同的病理等级 (p < 0.02) 中显示出显著的生存异质性,突出了当前分级的局限性.
结论:
- 无线电跟踪提供了ESLUAD进展的定量和可解释的评估.
- 提供了超越基因病理学的见解,有助于临床决策.
- 证明了在esLUAD中改善诊断和治疗规划的潜力.
更多相关视频
11:31Using Micro-computed Tomography for the Assessment of Tumor Development and Follow-up of Response to Treatment in a Mouse Model of Lung Cancer
Published on: May 20, 2016
11.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.3K