AI&临床文献阅读
文章平均质量分 95
罗小罗同学
医学人工智能方向在读硕士,更多信息请关注同名公众号〖罗小罗同学〗
展开
-
免疫治疗预测新突破:AI精准预测黑色素瘤患者反应
实验设计研究包括了121名在NYU接受治疗的患者作为训练队列,以及30名在范德比尔特大学接受治疗的患者作为独立验证队列。构建了一个多变量分类器——研究中开发了两个深度卷积神经网络(DCNN)分类器,分别称为和。DCNN为每个患者幻灯片上的每个感兴趣类别生成了一个概率值。通过单变量和多变量逻辑回归分析,结合了神经网络输出和传统临床特征来预测NYU训练队列的治疗结果。该分类器结合了神经网络预测和临床数据。通过生成ROC曲线并使用最优阈值将患者分层为高风险和低风险组,使用Kaplan-Meier曲线。原创 2024-05-15 20:38:20 · 294 阅读 · 0 评论 -
精准医疗的突破:AI如何为癌症患者找到合适的免疫治疗方案?
本系统回顾证实了AI在发现各种癌症中ICI疗效的预测性生物标志物方面的日益增长的应用,这种方法可以扩展到其他领域,如化疗或靶向治疗的效率。AI方法提供了从复杂数据中获得的新见解,但基于AI的“软件生物标志物”的发展受到回顾性数据集、多样的AI方法和不透明的决策过程的限制。尽管这些研究提供了一些假设生成性的见解,但直接临床实施受到限制。为了创建可解释和负责任的AI工具,需要进行大规模的前瞻性验证研究。这样的工具对于IO至关重要,其中需要新的元生物标志物来预测反应。原创 2024-05-11 16:18:44 · 665 阅读 · 0 评论 -
AI解码癌症:如何用多模态数据重塑患者未来
本次推文分享的文献是发表在上的《该文献讨论了在癌症研究中的重要性,以推动基因组学和标准分子技术之外的精准肿瘤学。它强调了聚合和分析来自各种诊断模式的互补数字资产以发现多模式预后特征的潜力。文献要点归纳如下。原创 2024-05-11 11:25:24 · 916 阅读 · 0 评论 -
清华张学工团队综述·肺癌影像组学的应用与挑战
在本综述中,我们总结了放射组学研究的最新进展。放射组学在肺癌诊断方面具有巨大潜力,尽管目前大多数放射组学研究尚未应用于现实世界的临床决策。除了提高预测性能外,未来的基于人工智能的放射组学应整合更多关于肿瘤的生物信息,以为临床医生和患者提供可解释性。还需要临床试验来验证这些放射组学发现。基于所有这些方法,我们相信放射组学将朝着常规临床实践迈进,并在未来促进精准医学的发展。原创 2024-05-10 17:29:49 · 929 阅读 · 0 评论 -
肺癌治疗新视角:放射组学与SBRT反应的关联
随着精准医学的发展,肿瘤学中的预后预测模型变得更加精确。大多数肿瘤在基因表达、相关间质和血管方面高度异质,这对预后有着深远的影响[16]。这种异质性不仅存在于个体间,也存在于同一患者不同病变之间以及同一病变不同区域之间,尤其是在转移性肿瘤中[17]。因此,临床特征可能无法完全捕捉肿瘤的异质性。放射组学的出现部分克服了这一局限,因为它可以提取临床上无法检测到的特征,以捕捉肿瘤内部的异质性和跨肿瘤的异质性[10]。因此,人们努力利用放射组学进行预后预测。原创 2024-05-10 10:17:58 · 997 阅读 · 0 评论 -
肺癌寡转移SBRT治疗新视角:影像组学揭示完全反应的关键特征
此外,评估RECIST反应的内部和外部观察者不确定性可能导致整体反应的误分类。然而,据很好地报道,与其它部位相比,肺部病变的反应可重复性要高得多。最后,有限的病变队列不允许在独立的患者数据集上评估模型的性能。为了部分克服这一限制,我们进行了一个可靠的内部验证,采用了五折交叉验证过程。这是一种众所周知的重采样技术,用于评估基于有限数据样本的机器学习模型,即估计模型在训练模型时未使用的数据上进行预测的预期性能。另一方面,必须强调的是,交叉验证无法严格评估回顾性研究中的选择偏差,这可能导致预测性能的过高估计。原创 2024-05-09 20:07:32 · 1060 阅读 · 0 评论 -
精准肿瘤学的未来:AI如何解码癌症数据的秘密
尽管该领域可以涵盖众多的应用,包括生物学和药物发现(6),但本综述。原创 2024-04-23 14:31:05 · 629 阅读 · 0 评论 -
基于MRI的放射组学特征在局部复发鼻咽癌患者预后中的潜力
今天分享的文章是课题组前些天刚发表的文章——。老规矩,先给出本篇文章的概览,有兴趣的再看全文分析。这篇文章属于影像组学的范畴,与我研究的病理组学有些偏差,不过我一直都对多模态和多组学很感兴趣,所以这篇文章我也会仔细分析一下。对本篇文章或者医学人工智能交叉感兴趣的朋友,欢迎扫码与小罗交流。原创 2024-04-21 23:01:42 · 1205 阅读 · 0 评论 -
文献综述·人工智能在鼻咽癌治疗中的应用
10-32]然而,这仅影响文章的可读性和信息提取的便利性,不影响论文的内容和质量。综述认为,人工智能在鼻咽癌管理中的应用总体上产生了积极影响,随着人工智能算法的不断改进,人工智能有望成为临床中的常规应用。获取的医学图像有很多因素影响自动描绘的质量,包括肿瘤大小和形状的变化、图像分辨率、区域之间的对比度、噪声以及数据获取期间缺乏一致性,这些数据来自不同的机构。有越来越多的证据表明,人工智能(AI)可以在各种情况下应用,特别是在预后、诊断和自动描绘应用中作为支持工具,以及为患者提供更个性化的治疗计划方面。原创 2024-04-19 08:50:47 · 895 阅读 · 0 评论 -
从局部到全局:KAT模型如何革新组织病理学图像分类
该论文针对传统转换器模型在应用于吉像素级别的组织病理学图像时所遇到的局限性,提出了一种基于内核的交叉注意力范式,以有效地提取分层上下文信息。KAT模型在大规模数据集上进行了评估,并在WSI分类任务中超越了8种最先进的方法。本文的主要贡献包括KAT的引入、一种用于描述结构信息的基于锚点的标记遮罩方法,以及一种用于提高可解释性的内核对比表示学习策略。论文的结构分为讨论相关工作、提出KAT模型的方法论、实验结果和讨论等部分。原创 2024-03-26 09:28:05 · 882 阅读 · 0 评论 -
精准医疗新突破:人工智能助力肝细胞癌个性化治疗
广泛的验证过程,包括使用不同的样本类型和真实世界的临床数据,提高了 ABRS-P 模型的可信度和潜在的临床实用性。虽然这些热图并不能完全解释模型的内部运作,但它们提供了一定程度的透明度,有助于了解模型的决策过程,并确定需要进一步研究的领域。在这些斑块中,ABRS 评分与 ABRS-P 预测值之间的相关性显示出较低的皮尔逊系数(0.14-0.37),但在四个案例中有三个案例的 P 值显著,这表明在这些斑块中,实际 ABRS 评分与模型预测值之间存在微弱但具有统计学意义的关系。原创 2024-03-25 15:09:08 · 953 阅读 · 0 评论 -
进来围观30分以上的医学AI文章!!
本文标题为Understanding metric-related pitfalls in image analysis validation,是发表在《自然-方法》(Nature Methods)上的一篇观点性文章,**,涉及多学科专家联盟和社区反馈,以创建一个有关图像分析中验证指标相关陷阱的综合资源。如果有师兄师姐正在做类似的课题,觉得需要小罗协助的话,也可以和你们的导师推荐一下!在图像分析中,度量标准往往选择不当,导致结果不可靠,并阻碍了有效算法的开发。**是【2024年发表,且IF>30】。原创 2024-03-25 15:06:41 · 659 阅读 · 0 评论 -
基于多标准决策的多模态特征和多分类器融合分层模型的可行性研究
*,并应用了几种融合方法来结合这些两个分类器生成的预测风险评分。多模态特征作为输入导致特征和分类器之间存在更多的组合可能性,例如,是否应该将一个模态特征输入一个分类器,或者是否应该将所有特征作为一个单元特征输入一个分类器。他们使用公开的 UCI 数据集和临床数据集对所提出的方法进行了验证,结果显示,与传统的融合策略和其他融合架构相比,该方法具有更优越的预测性能。不同图像模态提取的特征通常提供病变的纹理特征,临床特征代表对个别患者的治疗处方,而CNN学习的特征没有明显的物理意义,通常难以解释。原创 2024-03-25 15:06:01 · 992 阅读 · 0 评论 -
华科&浙大&中肿&南方医:AI for 卵巢癌
所包含的实验室检测和肿瘤标志物的组合为MCFall提供了比MCFCA125、MCFHE4和MCFCA125+HE4更优的预测性能,正如增加的AUC和敏感性所显示的那样,其成本低于常规肿瘤标志物面板测试加上超声、CT或MRI。先前的研究,如2022年11月11日对PubMed和Embase的搜索所揭示的,使用了基于人工智能算法的实验室检测来预测卵巢癌的诊断。我们的研究是在大规模多中心数据集上进行的,包括各种卵巢癌病理类型,并且所提出的模型通过两个大型独立外部队列进行了全面验证,从而增强了我们模型的可信度。原创 2024-03-25 15:04:58 · 1029 阅读 · 0 评论 -
【Nature Reviews】AI在医疗领域的下一步:计算病理学如何赢得临床医生的信任和采用?
计算病理学(CPath)领域的进展加速因素并未显示出减弱迹象,从数字化日常临床工作流程的进步到人工智能的进步都是如此。尽管自动化劳动密集型手工工作和减少病理学家之间诊断变异的承诺已经很有吸引力,但CPath同样有潜力通过实现反映分子改变、患者预后和治疗反应预测的形态学生物标志物的发现,成为病理学研究的一个重要组成部分。为了CPath对临床实践和生物医学研究产生影响,它必须同时关注两个目标:构建大规模、多样化和多模态的队列,以及使用更好的深度学习框架推进组织表示学习。这些目标不太可能在单一组织内实现。原创 2024-03-25 15:04:13 · 713 阅读 · 0 评论 -
《Nature Communications》·揭秘ecDNA:癌症个性化治疗的潜在生物标志物
本文**介绍了一项关于染色体外 DNA(ecDNA)在癌症治疗中的临床意义的研究。作者开发了一个名为 GCAP 的计算框架,用于从癌症全外显子组测序 (WES) 数据中识别和描述 ecDNA 扩增**。他们分析了由**13000多名泛癌症患者组成的多个队列,发现ecDNA扩增与微卫星不稳定性(MSI)之间存在一致的互斥模式。他们还证明了 ecDNA 扩增作为风险因素的作用,并完善了结直肠癌的基因组亚型**。此外,他们还纳入了四项以抗PD-1免疫疗法为重点的临床试验数据,结果表明,原创 2024-03-24 19:37:34 · 614 阅读 · 0 评论 -
《Modern Pathology》·病理学家的助手:深度学习在胃肠道癌诊断中的应用与前景
人工智能,特别是深度学习算法,在多个领域已经显示出比人类病理学家更好的或者相媲美的性能,这些领域使用的是苏木精和伊红(H&E)染色的全切片图像(WSIs)[8-10]。这意味着经验较少的病理学家可能对自己的初步诊断信心不足,因此,如果初步诊断与深度学习算法的预测不一致,他们更有可能修改初步诊断。为了减轻可能在解读测试集的开始与结束时性能差异的潜在偏见,110张WSIs被分为20张WSIs的块(最后一个块有10张WSIs),每个块包含大致相同比例的良性WSIs和恶性WSIs,但顺序是随机的。原创 2024-03-24 19:36:26 · 744 阅读 · 0 评论 -
《H&E 图像上的三级淋巴结密度是可切除肺腺癌的预后生物标志物》·文献精读
本研究内容概述了一项**多中心研究。原创 2024-03-24 19:35:22 · 1814 阅读 · 0 评论 -
【北航·IEEE】从语义到实例:分割任务在数字病理预训练中的关键作用
标题翻译一下——利用组织病理学图像的**非配对图像到图像转换进行细胞核感知自监督预训练"——论文介绍了一种用于组织病理学图像自监督预训练的新型框架,该框架侧重于捕捉病理分析所必需的细胞核级信息**。所提出的方法利用组织病理学图像和**伪掩膜图像之间无配对的图像到图像转换来提取核形态和分布信息**。通过使用条件和随机风格表示法调节生成过程,该框架可确保生成图像的真实性和多样性,以便进行预训练。此外,还采用了**实例分割引导策略**来捕捉实例级信息。原创 2024-03-21 12:27:30 · 760 阅读 · 0 评论