AI w onkologii
Badania i newsy, w których sztuczna inteligencja jest metodą — diagnostyka, odkrywanie leków, patomorfologia, wspomaganie decyzji klinicznych.
Wspomagana przez AI trójklasowa histopatologia jamy ustnej: badanie z udziałem oceniających
Cheng S, et al
Trójklasowy model głębokiego uczenia (VGG16-BR), wytrenowany na 25 576 wycinach histopatologicznych, osiągnął dokładność testową 0,9065, makro-F1 wynoszące 0,9086 i makro-AUC równe 0,9628 w rozróżnianiu tkanki prawidłowej, leukoplakii jamy ustnej oraz raka płaskonabłonkowego jamy ustnej, przy wskaźn…
Źródło →Pomiar obciążenia pracą radiologa po selekcji za pomocą sztucznej inteligencji w badaniach przesiewowych raka piersi
Sorin V, et al
Zaproponowano nowy standard sprawozdawczości na poziomie sesji, który dokładniej mierzy obciążenie pracą radiologa po wdrożeniu selekcji opartej na sztucznej inteligencji w badaniach przesiewowych raka piersi, zastępując prostą liczbę odczytów całkowitą liczbą aktywnych minut interpretacji przez czł…
Źródło →Interpretowalny czteroklasowy model uczenia maszynowego do przewidywania odpowiedzi na wstępną terapię jodem I-131 u chorych na zróżnicowanego raka tarczycy
Lei Y, et al
Czteroklasowy model uczenia maszynowego oparty na algorytmie Random Forest osiągnął mikrośrednią wartość AUC równą 0,894 (95% CI: 0,842–0,901) w kohorcie testowej oraz 0,885 (95% CI: 0,832–0,912) w walidacji czasowej, przewidując cztery odrębne kategorie odpowiedzi na wstępną pooperacyjną terapię jo…
Źródło →Model głębokiego uczenia oparty na transformerze do przewidywania oporności na temozolomid w glejakach wielopostaciowych z wykorzystaniem obrazów MRI wykonanych przed leczeniem
Xue C, et al
Model fuzyjny oparty na architekturze Vision Transformer, łączący analizę obrazów MRI wykonanych przed leczeniem z oceną statusu metylacji MGMT, osiągnął wartości AUC wynoszące odpowiednio 0,855, 0,917, 0,806 i 0,848 w kohortach: treningowej, wewnętrznej walidacyjnej oraz dwóch zewnętrznych kohortac…
Źródło →Przepływ pracy obrazowania wysokiej zawartości do profilowania odpowiedzi na leki w pojedynczych komórkach podtypów ostrej białaczki szpikowej
Isigkeit L, et al
Naukowcy opracowali platformę obrazowania wysokiej zawartości, która profiluje odpowiedzi na leki w ostrej białaczce szpikowej (AML) na poziomie pojedynczych komórek, przełamując ograniczenia konwencjonalnych testów zbiorczej żywotności, które maskują heterogenność nowotworu. Przepływ pracy integruj…
Źródło →Badanie molekularnych mechanizmów działania Weifuchun w leczeniu przewlekłego zanikowego zapalenia żołądka na podstawie sekwencjonowania pojedynczych komórek i uczenia maszynowego
Chen H, et al
Badanie łączące sekwencjonowanie RNA pojedynczych komórek z uczeniem maszynowym zidentyfikowało JUN i MMP12 jako kluczowe cele molekularne odpowiedzialne za terapeutyczne działanie preparatu Weifuchun (WFC) — klasycznego leku tradycyjnej medycyny chińskiej — w leczeniu przewlekłego zanikowego zapale…
Źródło →Głębokie uczenie w automatycznym wykrywaniu i segmentacji oponiaka w wieloparametrycznym MRI
Farré-Melero A, et al
Model głębokiego uczenia łączący trzy sekwencje MRI — obrazy T1 ze wzmocnieniem kontrastowym (T1-CE), standardowe T1 oraz FLAIR — osiągnął niemal doskonały wskaźnik detekcji oponiaka wynoszący 0,98 ± 0,03 oraz współczynnik segmentacji DICE równy 0,82 ± 0,04 w retrospektywnym badaniu obejmującym 149 …
Źródło →Topologicznie odrębne wskaźniki wewnątrzguzowej heterogeniczności do przewidywania wysokiego ryzyka w patologicznej klasyfikacji inwazyjnego raka gruczołowego płuca: Wieloośrodkowe badanie w czterech instytucjach
Lin S, et al
Wieloośrodkowe badanie z udziałem 1051 pacjentów z inwazyjnym rakiem gruczołowym płuca (IAC) wykazało, że klasyfikator zespołowy (stacking) łączący topologicznie odrębne wskaźniki wewnątrzguzowej heterogeniczności (ITH) wyznaczane z obrazów CT z cechami kliniczno-radiologicznymi osiągnął pole pod kr…
Źródło →Interpretowalna predykcja raka wątrobowokomórkowego o typie beleczkowo-masywnym i przeżycia wolnego od nawrotu przez połączenie cech LI-RADS w MRI z radiomiką habitatową opartą na uczeniu głębokim
Zhang M, et al
W wieloośrodkowym badaniu obejmującym 607 pacjentów z wczesnym stadium raka wątrobowokomórkowego (HCC) wykazano, że nomogram łączący cechy MRI w systemie LI-RADS, wyniki modeli głębokiego uczenia oraz radionikę habitatową pozwala przedoperacyjnie identyfikować agresywny podtyp beleczkowo-masywny (MT…
Źródło →Od liczenia komórek do interakcji komórkowych: Cu-Cyto i wskaźnik współlokalizacji jako przestrzenne ramy mikrośrodowiska immunologicznego guza w raku odbytnicy
Yamashita K, et al
Nowe ramy głębokiego uczenia maszynowego, łączące platformę cytometrii obrazowej Cu-Cyto — zdolną do wykrywania i klasyfikacji około dwudziestu typów komórek na podstawie standardowych preparatów immunohistochemicznych — ze wskaźnikiem współlokalizacji (Co-Localization Index), wykazały, że gęstość l…
Źródło →Ta strona ma charakter edukacyjny — nie stanowi porady medycznej i nie zastępuje konsultacji z onkologiem. Decyzje diagnostyczne i terapeutyczne podejmuje wyłącznie lekarz specjalista.