利用磁共振成像和数据包含的机器学习算法量化胶质母细胞瘤的肿瘤内遗传异质性,以实现精准医学
本研究评估了近年来机器学习方法在脑瘤 mpMRI 扫描方面的应用,主要集中在评估各种脑瘤子区域的分割、预测肿瘤进展和预测患者的总体存活率等方面,考虑到数据集的多样性和不断演化,同时探讨了针对每个任务的最佳机器学习算法的挑战。
Nov, 2018
本研究通过设计一种新颖的统计方法,利用磁共振成像(MRI)来评估侵袭性人脑癌 Glioblastoma multiforme (GBM) 患者的肿瘤,发现相较于其他肿瘤形状量化和常见分子检测,为预测 GBM 患者临床结果提供更好的预测准确性,因而证实了 SECT 在医学影像信息学中的应用价值。
Nov, 2016
我们提出了一种治疗条件回归模型,利用术前磁共振扫描预测胶质母细胞瘤患者的生存时间。通过将治疗信息与磁共振扫描结合起来,我们的方法有效利用了所有治疗数据,并证明了将治疗注入到每个卷积层中的有效性。
Feb, 2024
针对脑癌中最具侵略性和最致命的类型之一,我们提出了一种新的方法,BRAINNET,利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜,该方法在 MRI 图像中获得了前所未有的高准确率。
Nov, 2023
本文提出了一种名为 SIBOW-SVM 的新型脑肿瘤图像分类方法,该方法将 BoF 模型与 SIFT 特征提取和加权支持向量机相结合,有效捕捉隐藏的图像特征,实现不同肿瘤类型的区分和准确的标签预测,并能够估计图像属于每个类别的概率,从而提供高置信度的分类决策。通过将 SIBOW-SVM 应用于包含四个类别的脑肿瘤 MRI 图像的公共数据集,结果表明该方法优于包括 CNN 在内的最先进方法。
Nov, 2023
使用物理信息神经网络(Physics-Informed Neural Networks)来预测从医学 MRI 扫描中渗透性胶质母细胞瘤(Glioblastoma, GBM)的方法,以估计患者的特定参数,并在个性化 GBM 治疗的临床环境中展现了潜力。
Nov, 2023
近年来,诊断胶质瘤变得越来越复杂。通过现代机器学习技术对胶质瘤组织进行组织学评估为支持诊断和预测结果提供了新机会。本综述通过对 70 项公开的基于机器学习的染色人类胶质瘤组织切片分析研究进行概述,包括亚型划分(16/70)、分级(23/70)、分子标记预测(13/70)和生存预测(27/70)。当前研究的重点是对成人型弥漫性胶质瘤的苏木精和伊红染色组织切片的评估。大多数研究(49/70)基于公开数据集,包括癌症基因组图谱(TCGA)的胶质母细胞瘤和低级别胶质瘤数据集,只有少数的研究孤立地使用其他数据集(10/70)或者与 TCGA 数据集同时使用(11/70)。目前的方法主要依赖于卷积神经网络(53/70)对 20 倍放大率的组织进行分析(30/70)。一个新的研究领域是整合临床数据、组学数据或磁共振成像(27/70)。到目前为止,基于机器学习的方法已取得了有希望的结果,但尚未在真实临床环境中使用。未来的工作应集中在使用大型、多中心、具有高质量和最新的临床和分子病理学注释的独立验证方法上,以证明其日常应用性。
Jan, 2024
基于深度学习的计算病理学领域的研究表明,利用全切片图像(WSIs)客观预测癌症患者预后的效果显著。然而,目前大多数预后方法局限于组织病理学或基因组学,不可避免地降低了其准确预测患者预后的潜力。为了解决这些问题,我们提出了一种弱监督、基于注意机制的多模态学习框架 —— 互相引导的跨模态转换器(MGCT),可以利用组织学特征和基因组特征来建模肿瘤微环境内的基因型 - 表型相互作用。通过使用来自癌症基因组图谱(TCGA)的五种不同癌症类型的近 3600 个 Gigapixel WSIs 进行实验,广泛的实验结果一致表明 MGCT 优于现有的最先进方法(SOTA)。
Nov, 2023
本研究开发了一种基于人工智能技术的诊断解决方案,可自动分割脑肿瘤亚区并预测 MGMT 甲基化状态,以帮助医生进行更好的治疗规划并改善患者的生存率。
Mar, 2022
本研究针对脑胶质母细胞瘤患者,在早期手术后磁共振图像中准确分割和分类残余肿瘤是估计切除范围的关键。通过针对该任务训练两个最先进的神经网络结构,并在欧洲和美国的 12 个医院的近 1000 名患者上进行广泛验证,该研究表明最佳性能可达到 61%的 Dice 分数,最佳分类性能为约 80%的平衡准确性,并且最佳模型的分割性能与人类专家医师相当。通过预测分割可将患者准确分类成残留肿瘤和完全切除两类。
Apr, 2023