Apr, 2024

利用神经网络预测不同癌症类型患者的生存情况

PDF
TL;DR本研究介绍了一种创新方法，利用先进的图像分析技术提高胃癌和结肠腺癌患者的生存预测模型；通过提取全切片图像的细致特征并构建基于患者的图，利用 4 层图卷积神经网络进行全面分析和预测，结果表明该方法高度准确地预测患者的生存结果，对医学和人工智能社区具有重大影响。
gastric cancercolon adenocarcinomasurvival prediction modelsgraph convolutional neural networkpatient outcomes
发现论文，激发创造
  • 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

  • 全切片图像是 2D 点云：基于补丁图卷积网络的上下文感知生存预测

    本研究提出了一种 Patch-GCN 算法，该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模，从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证，在 5 种不同的癌症类型中，表现出比之前研究中所有的弱监督方法都要好。

    Jul, 2021

  • 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

  • 面部和颈部癌症患者的肿瘤图学习进行生存预测

    通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

    Apr, 2023

  • 利用深度学习方法分析带有缺失值的整体生存情况

    应对非小细胞肺癌 (NSCLC) 患者生存期预测的两个挑战：有效利用来自每个患者的信息，并处理不完整的数据，已提出一种新颖的人工智能模型，利用转换器架构根据仅有的可用特征进行生存分析，无需采用任何插补策略，取得了优于其他最先进方法的良好结果。

    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

    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。

    Jul, 2023

  • 半监督的 ViT 知识蒸馏网络与风格转移归一化用于结直肠肝转移生存预测

    我们提出了一个自动预测肠癌患者结直肠癌肝转移的病理预后的端到端方法，利用 H&E 和 HPS 染色的组织学切片；我们使用生成对抗网络对切片进行标准化，采用半监督模型进行组织分类，使用注意力机制加权不同区域进行分类，训练预后模型并在 258 名患者上进行了评估，结果证明我们的方法在预测生存和治疗时间反应方面具有优越性，可推动精准医学在管理结直肠癌肝转移患者中的进展。

    Nov, 2023

  • 学习基因表达以预测癌症临床结果

    该研究利用神经网络学习基因组表示，以预测癌症患者的生存情况，并证明该方法相较现有的生存分析方法具有优势。

    Sep, 2016

  • 基于基因表达的卷积神经网络在癌症类型预测中的应用

    本研究使用卷积神经网络 (CNN) 模型对 10,340 个来自 33 种不同癌症类型和 731 个正常组织样品进行分类，并在 1D-CNN 模型中确定了 2,090 个癌症标记物，其中包括 GATA3 和 ESR1 等已知标记，并对乳腺癌亚型进行了预测，取得了 88.42% 的平均准确率。

    Jun, 2019

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024