综合精品天天夜夜久久,日本中文字幕二区区精品,亚洲欧美中文字幕制服二区,青青青国产爽爽视频免费观看

      

      

        
  

        

        
	
	

        

        



        

	
        

        
	
        
  	       
        
       中國基因網(wǎng)您的位置：首頁 >企業(yè)新聞 >        
        
  
        
		
        
			
        前列腺癌預測看起來機器學習準確性提升
        
			
        
				2019-02-16 10:02:00
				?
			  來源：
			
        
		
        
				
		
        
			
        診斷前列腺癌(PCa)一直面臨難以克服的障礙。目前的診斷標準，前列腺特異性抗原或PSA檢測，有許多局限性 - 正如1970年PSA的發(fā)現(xiàn)者Richard J. Ablin博士在無數(shù)場合大聲爭論。然而，由于有限的診斷選擇以及PCa可以轉(zhuǎn)移并變得致命的速度，你知道的魔鬼比你不知道的魔鬼更好。
        

        前列腺癌預測看起來機器學習準確性提升
        

        盡管如此，科學一直在尋找更好，更快的疾病診斷解決方案，來自西奈山伊坎醫(yī)學院和南加州大學凱克醫(yī)學院(USC)的一組研究人員剛剛公布了一種新型機器的數(shù)據(jù) - 他們開發(fā)的學習框架能夠比以往更加精確地區(qū)分低風險和高風險的前列腺癌。通過一篇題為“ 使用機器學習和放射醫(yī)學應用于多參數(shù)磁共振圖像的前列腺癌的客觀風險分層 ”的文章發(fā)表的新研究結(jié)果發(fā)表在今天的科學報告中“ - 提供一個旨在幫助醫(yī)生的框架 - 特別是放射科醫(yī)師 - 更準確地確定PCa患者的治療選擇，減少不必要的臨床干預的機會。
        

        目前，用于評估PCa風險的標準方法是多參數(shù)磁共振成像(mpMRI)，其檢測前列腺病變，以及前列腺成像報告和數(shù)據(jù)系統(tǒng)，第2版(PI-RADS v2)，一個五點評分系統(tǒng)，分類在mpMRI上發(fā)現(xiàn)的病變?？傊?，這些工具旨在合理地預測臨床上顯著的前列腺癌的可能性。然而，PI-RADS v2評分是主觀的，并且不能清楚區(qū)分中間和惡性癌癥水平(評分3,4和5)，通常導致臨床醫(yī)生之間的不同解釋。
        

        “本文提出了一個系統(tǒng)而嚴謹?shù)目蚣?，包括分類，交叉驗證和統(tǒng)計分析，這些分析是為了確定基于mpMRI衍生的放射學特征來源于相當大的隊列的PCa風險分層的最佳表現(xiàn)分類器而開發(fā)的，”作者寫道。“該分類器在獨立驗證集中表現(xiàn)良好，包括在某些方面表現(xiàn)優(yōu)于PI-RADS v2，表明使用放射學和PCa風險評估分類方法客觀地解釋mpMRI圖像的價值。”
        

        將機器學習與放射醫(yī)學相結(jié)合 - 一種使用算法從醫(yī)學圖像中提取大量定量特征的醫(yī)學分支 - 已被提出作為彌補這一缺點的方法。然而，其他研究僅測試了有限數(shù)量的機器學習方法來解決這一限制。相比之下，西奈山和南加州大學的研究人員開發(fā)了一個預測框架，該框架嚴格而系統(tǒng)地評估了許多此類方法，以確定表現(xiàn)最佳的方法。與以前的研究相比，該框架還利用了更大的培訓和驗證數(shù)據(jù)集。因此，研究人員能夠以高靈敏度和更高的預測價值對患者的PCa進行分類。
        

        “通過嚴格和系統(tǒng)地將機器學習與放射學相結(jié)合，我們的目標是為放射科醫(yī)師和臨床人員提供一個完善的預測工具，最終可以轉(zhuǎn)化為更有效和個性化的患者護理，”高級研究調(diào)查員Gaurav Pandey博士說道，他是助理教授。西奈山伊坎醫(yī)學院的遺傳學和基因組學。“以高精度預測前列腺癌進展的途徑正在不斷改進，我們相信我們的目標框架是急需的進步。”
        
			

			
          
        
			
        
            鄭重聲明：本文版權歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如有侵權行為，請第一時間聯(lián)系我們修改或刪除，多謝。
			
        
			
			
        
        
        推薦內(nèi)容