利用放射学特征和机器学习算法预测脑转移瘤 MRI 数据中的原发肿瘤
通过多中心、回顾性分析研究,发现基于术前磁共振成像特征的放射性治疗后预测脑转移瘤局部失败的相关指标,可为进一步个体化放射治疗策略提供潜在的治疗相关信息。
May, 2024
该研究探讨了支持向量机(SVM)和随机森林(RF)模型在前列腺癌检测中的可重复性问题,通过多模态特征融合提高临床决策支持的潜力,为跨不同影像平台的机器学习模型提供稳健性和广泛适用性。
Jul, 2024
通过对多参数 mpMRI 扫描图片(T1w,T1wCE,T2w 和 FLAIR)进行二分类,RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组:训练集、验证集(在训练中使用),以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构,包括三维版本的 Vision Transformer(ViT3D)、ResNet50、Xception 和 EfficientNet-B3,以研究这个问题。我们使用 AUC 作为主要评估指标,在测试集上,ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比,我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集,可以进一步提高。
Jan, 2024
使用随机森林模型并结合深度辐射学特征(DRFs)和临床变量,我们可以显著地预测胶质瘤患者免疫标记物的状态和总体生存期,并推断这些特征可用于在手术前通过定期获取的成像数据进行脑肿瘤患者的预测。
Jun, 2022
使用 MRI 和弱监督序数支持向量机 (WSO-SVM) 实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测,为个体化肿瘤治疗提供信息。
Dec, 2023
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
用基于放射学特征的随机森林模型训练的数据显示,人工智能模型在使用不平衡的受保护属性数据进行训练时可能存在偏见,这对预测肿瘤分子亚型及肿瘤的种族产生有影响,导致模型在训练所属种族的测试数据上表现优秀。
Sep, 2023