在细胞癌中进行多层次描述和侵入性预测的文本感知异质图形神经网络
Xiaoming Jiang1, Guoying Ji1, Ye Yan2
1Chongqing Engineering Research Center of Medical Electronics and Information Technology, School of Life Health Information Science and Engineering, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China.
Artificial intelligence in medicine
|November 30, 2025
概括
这项研究引入了一种AI模型,用于使用CT扫描预测细胞癌的侵入性. 人工智能在诊断 sinus 侵袭方面显著优于人类专家,改善了患者的预后.
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:
- 准确预测细胞癌 (RCC) 侵袭性对于手术规划和患者预后至关重要.
- 由于人类的观察限制,目前的CT成像和病理评估等方法在诊断 sinus入侵 (RSI) 方面存在局限性.
- 现有的人工智能模型往往只关注瘤区域,忽视了关键的周围瘤和脏环境.
研究的目的:
- 开发一种新型的背景感知异构图神经网络,用于RCC中的多层次描述和侵入性预测.
- 整合多层次成像功能,并学习干扰不变表示,以提高诊断准确度.
- 提供RCC中RSI的自动诊断工具,超越目前的评估方法.
主要方法:
- 提出了一个具有上下文意识的异质图形神经网络,包含多层次成像功能.
- 采用数据驱动的扩散扰动策略来学习扰动不变特征.
- 在437名RCC患者CT扫描的多中心数据集上验证了模型,与最先进的模型和临床专家进行了比较.
主要成果:
- 拟议的模型在RSI分类中取得了卓越的性能,AUC为0.88.
- 实验结果证明了该模型在各种数据集上的有效性和概括能力.
- 人工智能模型显著优于现有的评估方法和临床专家 (p<0.05).
结论:
- 开发的AI工具为RCC中RSI的自动诊断提供了有效的解决方案.
- 这些发现为开发瘤学中更精确的瘤预测模型提供了宝贵的见解.
- 这种方法提高了诊断的准确性,可能导致改善临床决策和患者的结果.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
1.3K
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
7.6K
