Jul, 2023

个性化肾细胞癌预后的多模态深度学习：CT 影像与临床数据的整合

PDF
TL;DR通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。
发现论文，激发创造
  • 基于 CT 图像的肾细胞癌病理分类的稳健深度学习方法及不确定性估计

    开发和验证一个基于深度学习的诊断模型，结合不确定性估计，以便帮助放射科医生基于 CT 图像在术前区分肾细胞癌（RCC）的病理亚型。

    Nov, 2023

  • Deep-CR MTLR: 一个多模态方法用于癌症生存预测与竞争风险

    以神经网络和多任务逻辑回归为基础的深度多模态机器学习方法，可提高癌症患者特定生存率的准确预测，其二年 AUROC 为 0.774，C 指数为 0.788。

    Dec, 2020

  • 使用深度学习和胸部 CT 放射学特征进行自动化 5 年死亡率预测

    通过胸部计算机断层扫描和分割多种解剖结构的地图，提出使用分类器预测老年人 5 年死亡率的新方法。所提出的模型可在预防和个性化医疗方面产生深远影响。

    Jul, 2016

  • 非小细胞肺癌预后的多模态学习

    本文提出了一个名为 Lite-ProSENet 的智能跨模态网络，针对肺癌的生存时间分析任务，利用多模态数据，相较于现有模型达到了最新的最优结果，89.3% 的协调性。

    Nov, 2022

  • 利用组织病理学图像基于深度学习的多种癌症生存预测

    通过开发深度学习系统，在多种癌症类型中利用组织病理图像预测疾病特异性生存，为癌症治疗和监测提供重要的预后信息。

    Dec, 2019

  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

    Apr, 2018

  • MM-SurvNet：基于深度学习的多模式数据融合在乳腺癌中的生存风险分层

    通过将组织病理图像、遗传数据和临床数据整合，构建了一种新颖的深度学习方法，使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系，同时采用双交叉注意力机制结合遗传数据，并在最终层级上加入临床数据以提高预测准确性，通过在公共 TCGA-BRCA 数据集上的实验，表明使用负对数似然损失函数训练的模型能够取得卓越的性能，均值 C 指数为 0.64，超过现有方法，为制定个体化的治疗策略提供了便利，潜在地改善了患者预后。

    Feb, 2024

  • 基于深度学习的结直肠癌可解释性生存预测

    本研究通过开发基于深度学习的系统，在 3,652 例（27,300 张切片）的结直肠癌患者中进行预测，探索人类可解释的患病特征并阐述其潜在预测价值。通过对两个验证数据集分别包含 1,239 例（9,340 张切片）和 738 例（7,140 张切片）的评估，该系统实现了 0.70 和 0.69 的 5 年疾病特异性存活 AUC，并为一组 9 个临床病理特征提供了显著的预测价值。

    Nov, 2020

  • 针对患者个体的肾移植存活分析的深度学习

    本论文提出了一种基于深度学习的多任务学习的方法，可以直接建立患者特定的肾移植的存活函数，从而提高患者的治疗和护理共同决策的准确性和质量。

    May, 2017

  • 利用深度学习对图像中的偏导信号进行控制：肺癌生存预测

    通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

    Apr, 2019