Nature Cancer | 基于多模态数据和可解释人工智能解码泛癌治疗结果

最新推荐文章于 2025-05-30 08:05:08 发布

Python_金钱豹

最新推荐文章于 2025-05-30 08:05:08 发布

阅读量1k

点赞数 8

文章标签：人工智能 transformer 数码相机深度学习 milvus langchain

本文链接：https://blog.csdn.net/Python_cocola/article/details/147746373

版权

尽管现代医疗保健中每位患者都有大量的多模态临床数据，但个性化医疗的目标尚未实现。单个标志物的研究无法充分揭示决定患者预后的患者特异性和肿瘤特异性变量之间的复杂相互作用。一种有前景的策略是整合来自多个来源的临床数据，例如病史、实验室检测结果、影像数据和组学分析。机器学习的进步以及可数字化获取的数据日益增多，使得大规模建模预后标志物之间的复杂关系成为可能。最近用于理解此类模型决策的方法，即所谓的可解释人工智能（xAI），使得评估个体患者的预后并揭示每个变量的贡献成为可能。

2025年1月30日，德国埃森大学医院的 Julius Keyl、Philipp Keyl 等研究人员在《Nature Cancer》发表了一篇题为”Decoding pan-cancer treatment outcomes using multimodal real-world data and explainable artificial intelligence”的研究。针对精准肿瘤学中面临的困境即临床决策仍然依赖于有限的变量和专家知识，研究人员将多模态数据和xAI结合起来，引入人工智能衍生（AID）标记物，用于临床决策支持。研究人员使用深度神经网络对38种实体肿瘤的15,726名经过系统治疗的患者的预后结果进行建模，并基于350个标志物，包括临床记录、CT图像来源的身体组分和肿瘤突变图谱，应用xAI方法逐层相关性传播 (LRP) 来理清每条临床信息如何影响个体患者的预后（图1）。通过xAI研究人员确定了每个临床标志物在患者水平上对预后的贡献，并确定了114个关键标志物，这些标志物占神经网络决策过程的90%。此外，xAI还发现了1,373个标志物之间的预后相互作用。另外，该方法也在来自美国全国电子健康记录衍生数据库的3,288例肺癌患者的独立队列中得到了验证。该研究表明了xAI在改变临床变量评估和实现个性化、数据驱动的癌症精准治疗方面的潜力。

图1：用于解码治疗结果的数据组成和基于xAI的工作流程概述。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述