Mar, 2024

从算法到结果：AI 在非肌层侵袭性膀胱癌复发预测中的作用评估

PDF
TL;DR机器学习技术在预测非肌层侵袭性膀胱癌复发方面具有潜力，并通过利用分子和临床数据提高复发预测和个性化患者管理的性能。该综述总结了使用多种机器学习算法和标记的非肌层侵袭性膀胱癌复发预测，并强调了人工智能模型的泛化能力和解释能力的挑战，强调了合作努力和强大数据集的需求。
bladder cancernon-muscle-invasive bladder cancerrecurrence predictionmachine learningpersonalized patient management
发现论文，激发创造
  • 用高效的混合式 CNN-Transformer 模型重新定义膀胱镜检查：膀胱癌诊断

    使用深度学习方法结合卷积神经网络、无位置编码的轻量级 transformer 和双重注意力门，实现对膀胱癌的检测和分割，该模型在计算效率和诊断精度之间取得了平衡。

    Mar, 2024

  • 通过多模型降维算法和分类算法的多模态融合在转移性乳腺癌预测中的应用

    利用机器学习的预处理算法和分类算法，研究了检测转移性癌症的潜力，通过降低数据维度和使用 k 最近邻算法，获得了最高 71.14% 的准确率。

    Sep, 2023

  • NMGrad: 利用弱监督深度学习推进组织病理学膀胱癌分级

    通过使用组织切片进行分级，利用卷积神经网络进行特征提取，并采用嵌套多实例学习方法和注意力机制预测恶性程度，该研究提出了解决膀胱癌分级的新方法，经临床评估表明该模型优于现有的先进方法。

    May, 2024

  • 利用人工智能预测乳腺癌的个体风险调整 MRI 筛查和早期检测

    通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。

    Nov, 2023

  • 运用人工智能技术进行乳腺癌检测：系统文献综述

    本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

    Mar, 2022

  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023

  • 知识引导的机器学习在癌症诊断和预后中的应用综述

    综述了采用基于生物医学知识的机器学习方法在癌症诊断和预后方面的研究现状和发展方向。

    Jan, 2024

  • 基于卡介苗的膀胱癌治疗的数学建模与社会人口统计

    通过综合机器学习组件调整模型参数，构建个性化机理模型，并使用真实临床数据，展示其相对于原始模型在预测结局时的优势，平均改善了 14.8%。

    Jul, 2023

  • 乳腺癌检测：基于机器学习算法的威斯康星州诊断数据集应用

    本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性，并测量了它们的灵敏度和特异性。实验结果表明，所有的算法都表现良好，并超过了 90% 的测试准确率，其中 MLP 算法表现最佳，测试准确率高达 99.04%。

    Nov, 2017

  • 利用多模型方法整合全切片成像和临床病理特征预测乳腺癌复发风险

    发展了一种多模态方法，结合全幻灯片图像分析和临床病理数据来预测相关的乳腺癌复发风险，并根据预测分数将患者分为低风险和高风险两组，提供了一种个性化治疗乳腺癌患者的替代方法，可能改善其疗效。

    Jan, 2024