机构名称：
¥ 1.0
肿瘤内异质性对复发性胶质母细胞瘤的诊断和治疗构成了重大挑战。本研究涉及对每个患者整个病变中组织病理学改变的异质景观的非侵入性方法的需求。我们开发了一种生物知识的神经网络Bionet，以预测两个主要组织基因模块的区域分布：增殖肿瘤（Pro）和反应性/炎症细胞（INF）。Bionet显着胜过现有方法（P <2E-26）。在交叉验证中，Bionet的AUC为0.80（Pro）和0.81（INF），精度分别为80％和75％。在盲试验中，Bionet的AUC为0.80（Pro）和0.76（INF），精度为81％和74％。竞争方法的AUC较低或0.6左右，精度较低或约70％。Bionet的体素级预测图显示了肿瘤内异质性，有可能改善靶向活检和治疗评估。这种非侵入性方法促进了定期监测和及时的治疗调整，突出了ML在精确医学中的作用。
npj |数字医学
主要关键词
相关文件推荐
