相关实验视频

Updated: Jan 9, 2026

Pathological Analysis of Lung Metastasis Following Lateral Tail-Vein Injection of Tumor Cells

Pathological Analysis of Lung Metastasis Following Lateral Tail-Vein Injection of Tumor Cells

Published on: May 20, 2020

基于机器学习的定量预测,在初级肺腺癌中通过空气空间传播,使用 intratumoural异质性得分

Zhenchen Zhu¹, Yingjie Li², Ping Wang³

¹Department of Radiology, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.

International journal of surgery (London, England)

|December 11, 2025

概括

这项研究开发了一种综合模型,使用放射学和临床数据准确预测肺腺癌 (LUAD) 中的通过空气空间传播 (STAS). 该模型显示出高性能,有助于在手术前预测STAS状态,以获得更好的患者结果.

科学领域:

放射学和瘤成像学成像学
计算病理学计算病理学
生物标志物发现发现

背景情况:

通过空气空间传播 (STAS) 是一种具有侵略性的肺腺癌 (LUAD) 模式,影响预后.
准确的手术前预测STAS对于治疗规划至关重要.

研究的目的:

量化内部瘤异质性 (ITH),并将其与息地特征和临床数据整合起来.
在初级 LUAD 中开发 STAS 状态的预测模型.
探索STAS预测的生物基础.

主要方法:

从CT图像中提取了辐射和息地特征.
开发了一个内异质性 (ITH) 评分.
利用机器学习 (轻梯度增强机器) 进行综合预测模型,整合ITH,息地和临床特征.
对一组患者进行基因表达分析.

主要成果:

一个组合模型实现了STAS的高预测性能 (AUC 0.97培训,0.98验证,0.91外部测试).
该模型整合了放射学,息地特征,ITH评分和临床数据.
基因表达分析揭示了高概率组中与单碳酸运输和新陈代谢的关联.

结论:

组合模型在初级LUAD中显示了在手术前STAS预测中卓越的性能.
这种方法可以改善LUAD患者的风险分层和治疗策略.

关键词:

瘤内部的异质性瘤内瘤周围瘤息地特征肺部腺癌的癌症.机器学习是机器学习.通过空气空间传播.

更多相关视频

Heterogeneity Mapping of Protein Expression in Tumors using Quantitative Immunofluorescence

Heterogeneity Mapping of Protein Expression in Tumors using Quantitative Immunofluorescence

Published on: October 25, 2011

Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography

Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography

Published on: August 16, 2020

相关概念视频