相关实验视频

Updated: Jun 26, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

使用基于MRI的深度学习功能与视觉转换器相结合,预测局部先进的鼻癌的新辅助化疗疗效率

Yiqian Yang¹, Xingyu Mu², Lijuan Liu¹

¹Department of Radiology, The Guangxi Medical University Cancer Hospital, Nanning, Guangxi, China (Y.Y., L.L., G.J.).

Academic radiology

|March 3, 2026

概括

预测新辅助化疗 (NACT) 在晚期鼻癌 (LA-NPC) 的疗效至关重要. 结合MRI深度学习功能和视觉变压器 (ViT) 的新型模型显著提高了预测准确性,超过了现有方法.

科学领域:

放射学放射学是一门学科.
在瘤学瘤学.
人工智能的人工智能

背景情况:

准确预测新辅助化疗 (NACT) 疗效对于管理晚期鼻癌 (LA-NPC) 非常重要.
当前的预测模型往往缺乏通用性,需要新的方法.
基于MRI的深度学习功能 (DLF) 和视觉转换器 (ViT) 对于此应用的联合使用尚未被探索.

研究的目的:

评估基于多序MRI的DLF与ViT集成的LA-NPC中NACT疗效的预测价值.
将这个集成模型的性能与传统的放射学和独立的深度学习模型进行比较.

主要方法:

对266名用NACT治疗的LA-NPC患者的回顾性分析.
开发和比较传统的放射学,2D,2.5D和3D深度学习模型.
从最佳模型中提取DLF,缩小维度 (PCA),并输入到ViT架构中.

主要成果:

最好的传统放射学模型 (T2-FS上的XGBoost) 实现AUC为0.760.
与2D和2.5D模型相比,3D深度学习模型表现出更高的性能 (最佳AUC:0.755).
集成的DLF-ViT模型实现了0.926的显著更高的验证AUC,0.903的准确性和0.927.92的F1得分.

结论:

结合多序MRI DLF与ViT的综合模型显著提高了LA-NPC中NACT疗效的预测性能.
这种新的方法为LA-NPC中治疗响应预测提供了更准确和更可概括的工具.

关键词:

深度学习的特点是深度学习的特点.在局部发达的鼻癌.磁共振成像技术磁共振成像技术新辅助化学疗法新辅助化学疗法视觉变压器视觉变压器

相关概念视频