- 博客(165)
- 收藏
- 关注
RSS订阅原创 Sci. Adv.（IF=12.5）首都医科大学宣武医院卢洁等团队：一种用于预测乳腺癌新辅助化疗病理完全缓解的多模态全自动系统
ROC曲线：MIFAPS在训练验证集（A，AUC=0.994）、内部测试集（B，AUC=0.932）、外部合并测试集（C，AUC=0.882）、前瞻性测试集（D，AUC=0.909）均显著优于MRI（0.813-0.969）、WSI（0.774-0.895）、临床单模态模型（0.653-0.840），且双模态模型（如MRI+WSI AUC=0.861）也不及MIFAPS。通过GSEA分析富集通路；：外部合并测试集（A）中，93例真阳性（pCR被正确预测）、236例真阴性（非pCR被正确预测）；
2026-05-27 21:30:46
367
原创 Lancet Digital Health（IF=24.1）德国德累斯顿工业大学医学院：深度学习评估结直肠癌的基因型-表型相关性
将全切片图像（WSI）分割为224×224像素的tiles（对应256×256μm组织区域），通过亮度阈值（≥224）和Canny边缘检测（边缘像素≤2%）剔除背景和模糊tiles；：与MSI高度共现，包括BRAF、BMPR2、ZNRF3、RNF43，AUROC较高（0.75-0.88），且超突变与该集群显著关联（关联规则支持度>0.8）。：多数研究仅针对单个标志物（如MSI、BRAF、KRAS），缺乏对多种基因改变的系统预测，无法满足临床对多靶点评估的需求；将7个模型的预测结果平均，作为最终输出；
2026-05-27 21:30:04
522
原创 Lancet Digit Health（IF=24.1）牛津大学：基于Transformer的心血管病预防性治疗人群筛选
传统统计模型（如QRISK3、SCORE2、ASCVD）虽广泛用于临床，但会将大量低风险人群误判为“高风险”，导致过度治疗（如英国30-79岁成人中约1/3被推荐治疗，但多数不会发生CVD事件）；：每个特征单元关联患者“年龄”和“医疗服务接触时间”，形成变长时序序列（如患者A的诊断记录按“2010年（50岁）-2012年（52岁）”排序）；：在窄年龄范围（40-69岁）中，TRisk的C指数（0.902）较QRISK3（0.815）优势扩大（差值从0.079增至0.087）；
2026-05-27 21:29:20
392
原创 Nat. Biomed. Eng（1区top，IF=26.6）上海科技大学钱学军团队：一种用于乳腺癌风险分层的多模态机器学习模型
文献信息本次分享的文献是由上海科技大学钱学军团队联合安徽医科大学第一附属医院、南京医科大学附属南京医院、复旦大学附属肿瘤医院、宣城人民医院、阜阳肿瘤医院等多中心医疗机构于2024年10月在Nature子刊》（中科院1区top，IF=26.6）上发表的研究“A multimodal machine learning model for the stratification of breast cancer risk”即一种用于乳腺癌风险分层的多模态机器学习模型，本研究开发了一种名为。
2026-05-27 21:28:37
484
原创 Nat Commun（IF=15.7）波士顿大学医学院：基于人工智能的多模态数据融合用于阿尔茨海默病生物标志物评估
a/b显示P(Aβ)与Aβ PET centiloid（r=0.58）、P(τ)与meta-τ SUVr（r=0.59）均显著正相关，且与认知障碍（ADAS-Cog13）同步加重；解决“tau阳性样本少”的类别不平衡问题——对难分类样本（如tau阳性）赋予高权重，对易分类样本（如健康人）赋予低权重，公式中通过α（类别平衡参数）和γ（聚焦参数，设为2）调节；：首次同时预测Aβ和tau状态，捕捉二者在AD病理中的协同关系（如Aβ阳性者tau负荷越高，P(Aβ)也越高），弥补既往模型“单标志物聚焦”的缺陷；
2026-05-27 21:27:58
427
原创 J Hepatol（IF=33.0）英国帝国理工学院：基于机器学习的影像组学模型在预测肝细胞癌免疫治疗结局中优于临床生物标志物
评估ICL队列内部验证中，7种机器学习算法（行：逻辑回归、朴素贝叶斯、神经网络、随机森林、支持向量机、XGBoost、岭回归）与13种特征选择技术（列：LASSO、弹性网络、RFE、PCA、Boruta、Pearson/Spearman/Kendall相关、ANOVAF检验、方差阈值、前向选择、全特征集）的组合，对“12个月死亡率”的预测AUC值（颜色越深，AUC越高，性能越好）。小波特征（784个）：在8种滤波分解模式（如HHH、HHL、HLH等）下提取的高阶纹理特征，进一步挖掘图像的细微结构信息。
2026-05-26 19:32:14
405
原创 哈尔滨医科大学附属第二医院成果：栖息地感知影像组学与自适应2.5D深度学习预测食管鳞癌NACI疗效及长期生存
纳入269例未接受治疗的局部晚期ESCC患者（训练集n=144、验证集n=62、外部测试集n=63），基于基线PET/CT影像，开发整合“栖息地放射组学+2.5D深度学习（多实例学习MIL）+临床变量”的多模态框架，用于预测患者接受新辅助化疗免疫治疗（NACI）后的病理完全缓解（pCR）和总生存期（OS）。：展示训练（A-C）、验证（D-F）、测试（G-I）队列中，栖息地、MIL、联合模型的高/低风险组OS曲线，三组队列均满足高/低风险组生存差异显著（P<0.001），验证模型生存分层能力。
2026-05-26 19:31:25
332
原创 Biomarker Res（IF=11.5）安徽医科大学第一医院：基于机器学习的放射组学模型：子宫内膜癌患者的预后预测及机制探索
比较10种模型（aorsf、bart、Deepsurv、deephit、dnnsurv、GBM、glmnet、RSF、SVM、XGboost），筛选最优Radscore（影像组学评分）；组织免疫荧光检测FLT1与CD31（血管标志物）表达。：T2WI（提取肿瘤+瘤周5mmROI）、IVIM-DWI（ADC、D、D*、f值）、DCE-MRI（Ktrans、Kep、Ve、Vp值）；：时间依赖ROC（AUC）、校准曲线（拟合度）、决策曲线（DCA，临床净获益）、临床影响曲线（风险分层）、Log-rank检验。
2026-05-26 19:30:35
490
原创 Radiol Imaging Cancer 苏大一附属胡春红团队：基于MRI和HE的多模态深度学习模型预测肝细胞癌包裹性血管模式
预测VETC用AUC、准确率、敏感度、特异度；：从分割结果中提取628个手工病理组学特征，含强度、形状、大小、纹理4类，细分细胞核（175个）、细胞质（175个）、细胞（175个）、纹理（103个）特征。：首次结合钆塞酸二钠增强MRI（宏观影像）和HE病理图像（微观特征），构建“影像-病理”联合的DL模型，实现VETC和预后的双重预测，弥补单一模态的信息局限；：71岁女性HCC患者，展示其轴向动脉期（AP）、门脉期（PP）、肝胆期（HBP）MRI图像及HE染色病理图像（100×放大）对应的模型热图。
2026-05-26 19:29:42
387
原创 JCO Precis Oncol 中国医学科学院肿瘤医院：可解释机器学习模型预测直肠癌侧方盆腔淋巴结转移
展示逻辑回归（LR）、K近邻（KNN）、随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）5种模型在测试集（图2B）和外部验证集（图2C）的性能。：直肠癌是全球常见恶性肿瘤，尽管筛查、手术及辅助治疗进展显著，但淋巴结转移患者的死亡率仍居高不下，侧方盆腔淋巴结（尤其是髂内、闭孔淋巴结）转移是影响疾病进展、预后及治疗决策的关键因素。：红色代表高特征值、蓝色代表低特征值，高淋巴结短轴直径、区域淋巴结阳性、肿瘤距肛近等会提升转移概率（SHAP值为正），直观呈现特征值与预测结果的关联。
2026-05-26 19:28:02
361
原创 如何将多参数MRI影像组学特征与CMS4相关TGF-β/EMT/CAF机制建立关联，并进一步解释其与患者预后及治疗响应的机制联系
作者最终证明，MRI中的强化异质性与纹理异质性，并不是抽象的数学特征，而是CAF富集、ECM重塑、血管生成以及TGF-β/EMT激活在影像层面的可视化映射。换句话说，影像组学真正捕获的，并非单纯的“肿瘤形态”，而是肿瘤微环境的生物学状态。作者不再把影像组学当作单纯的统计工具，而是将其视为一种能够感知肿瘤微环境生态的“生物学传感器”，并通过bulk RNA-seq、单细胞测序以及CAF亚群分析，证明MRI异质性背后对应的是CAF驱动的间质重塑与血管生成。下方的HE及CD31免疫组化证实：患者A具有更高的。
2026-05-25 22:05:52
409
原创 如何将影像组学与病理组学特征与胃癌术后复发的“炎症‑耗竭”免疫机制建立关联，并解释其与患者预后及辅助化疗/免疫治疗响应的机制联系
换句话说，未来真正有影响力的影像组学研究，核心竞争力已经不再只是算法，而是“机制解释能力”。这也意味着，未来影像组学的发展重点，将越来越多地走向多模态融合、空间组学、单细胞组学以及机制验证的深度结合，而“机制型影像组学”，很可能会成为未来肿瘤人工智能研究最重要的方向之一。如果你手头有影像数据和少量多组学数据（如公共数据库的转录组），完全可以沿用这一思路：先建立稳健的影像组学或病理组学模型，再用独立机制队列解释模型为什么有效，这既是发表高水平论文的有效路径，也是推动影像组学向临床转化的重要桥梁。
2026-05-25 22:04:31
1367
原创 Radiol Artif Intell 中山大学肿瘤防治中心放疗科：基于连续MRI的深度学习模型预测局部晚期鼻咽癌患者生存期
即基于连续MRI的深度学习模型预测局部晚期鼻咽癌患者生存期，该研究为多中心回顾性研究，纳入1039例局部晚期鼻咽癌（LA-NPC）患者，利用诱导化疗（IC）前后的系列MRI影像数据及临床因素，基于图卷积神经网络（GCN）构建影像组学-临床预后模型（model RC）。： 展示了如何将每个患者的多个病灶（治疗前、后的原发灶和淋巴结）视为图结构中的“节点”（Vertex），并用特征（31个放射组学特征+病灶数量+3D坐标）来描述每个节点。节点之间的“边”（Edge）初始为全连接，捕捉病灶间的潜在关系。
2026-05-24 21:01:49
436
原创 eClinMed 中国人民解放军总医院第五医学中心介入超声科：基于超声的可解释性机器学习模型用于≤3cm肝细胞癌分类的开发与验证
ModelU（仅超声）、ModelUR（超声+影像组学）、ModelURC（全特征）在训练集（A）、内部验证集（B）、外部验证集（C）的AUC对比。：3名初级（＜5年经验）及3名高级（＞5年经验）放射科医生分别在“无模型辅助”和“ModelURC辅助”下诊断外部验证集病灶，比较诊断性能差异。：构建递进式特征组合模型，证实“超声语义特征+放射组学+临床特征”的融合能显著提升诊断性能，为超声AI模型开发提供范式。比较不同特征组合模型（超声、超声+放射组学、超声+放射组学+临床）的诊断性能，筛选最优模型。
2026-05-24 21:01:10
518
原创 J Thorac Oncol（IF=20.8）广东省人民医院钟文昭教授团队：基于影像组学的支持向量机区分驱动肺腺癌进展的分子事件
展示了研究全流程，包含4个核心队列：广东省人民医院（GDPH）回顾性队列1（2011-2020年，最终纳入818例）、回顾性队列2（2020-2022年，无经典EGFR突变，最终纳入394例）、前瞻性队列3（2022-2023年，含配对CT与RNA-seq，最终纳入187例），及TCIA数据库NSCLCRadiogenomics外部队列（含配对数据，最终纳入55例）。生存分析：Kaplan-Meier法计算无病生存期（DFS）、总生存期（OS），logrank检验比较差异，Cox回归评估风险因素。
2026-05-24 21:00:22
520
原创 NPJ Precis Oncol 青岛大学附属医院放射科王鹤翔：基于CT的可解释深度学习模型预测膀胱癌患者总生存期的多中心研究
多中心数据收集 → CT图像获取与标注→图像预处理（重采样、标准化、ROI裁剪）→构建BCDL模型（3D DenseNet121，多分支结构，自归一化层）→模型训练与验证（Cox部分似然损失）→可解释性分析（CAM、SHAP）→多组学分析（RNA测序+免疫浸润+微生物群）→。从鉴别效能、稳定性、校准度及临床获益四个维度，系统对比了BCDL模型与临床模型、放射组学模型、联合模型的性能差异。：包括年龄、性别、肿瘤大小、浸润情况、肿瘤形态、钙化、坏死等。：基于Cox回归（变量：年龄、肿瘤轮廓、膀胱周脂肪浸润等）
2026-05-20 21:06:32
211
原创 eClinMed 遵义医科大学附属医院：肺癌术后肺部并发症可解释机器学习预测模型的开发与验证：一项机器学习研究
逻辑回归、LightGBM、反向传播神经网络（BPNN）、随机森林（RF）、高斯朴素贝叶斯（GNB）、K 近邻（KNN）、决策树（DT）、支持向量机（SVM）、极端梯度提升（XGBoost）、偏最小二乘判别分析（PLS-DA）、梯度提升决策树（GBDT）、Boruta 算法。年龄、手术时长、Charlson合并症指数（CCI）、肿瘤分期、一氧化碳弥散量（DLCO）、术中输液量（IFIV）、红细胞分布宽度（RDW-CV）、BMI、吸烟年数（共9个）。最优独立模型GBDT排名第6，显著低于堆叠模型。
2026-05-20 21:05:45
389
原创 Eur Radiol 哈尔滨医科大学附属肿瘤医院王瑞涛团队：多模态深度学习探究肿瘤与内脏脂肪对结直肠癌隐匿性腹膜转移的影响
的多模态深度学习模型，结合结直肠癌（CRC）患者的CT图像（肿瘤最大截面和L3水平内脏脂肪）与临床数据，用于预测隐匿性腹膜转移（PM）。，整合肿瘤影像特征、内脏脂肪指数（VATI）及临床数据，以提高CRC隐匿性PM的预测准确性。内部验证：比较“肿瘤+临床” vs “肿瘤+脂肪+临床”，脂肪模态修正了部分假阴性/假阳性。单肿瘤、单脂肪、肿瘤+脂肪、再加临床因子 → 性能逐步提升，最终AUC=0.941。结直肠癌（CRC）是全球高发肿瘤，腹膜转移（PM）预后极差。
2026-05-20 21:05:03
384
原创 Advanced Science（IF=14.1）河北医科大学第四医院赵群团队：可解释多模态融合模型增强胃癌术后复发预测
该模型整合了临床数据、影像组学（CT）特征和病理组学（H&E染色图像），纳入1580例来自6个中国医疗中心的LAGC患者，通过内部、外部、前瞻性及公共数据集（TCIA）四重验证，结果显示RSA模型预测早期复发的AUC值达0.884-0.903，显著优于单模态模型（临床、影像组学、病理组学单独建模）。（合并训练和内部验证集，n=1132）。RSA模型将86.4%的复发病例正确归入高风险组（临床模型为69.8%），并将预测低危患者的复发率从34.7%降至19.5%。（合并外部验证队列，n=448）。
2026-05-20 21:04:13
382
原创 Radiology（IF=15.2）北京大学肿瘤医院影像科孙应实教授团队：CT预测微卫星不稳定性高结肠癌区域淋巴结转移
文献信息本次分享的文献是由北京大学肿瘤医院医学影像科孙应实教授等团队2025年4月在《Radiology》（中科院1区，IF=15.2）上发表的研究“Predicting Regional Lymph Node Metastases at CT in Microsatellite Instability–High Colon Cancer”即基于CT预测微卫星不稳定高（MSI-H）型结肠癌区域淋巴结转移，该研究为。
2026-05-20 21:03:28
440
原创 Int J Surg华中科技大学同济医学院附属协和医院：可解释机器学习模型预测胰腺癌早期复发：整合瘤内瘤周影像组学及身体成分分析
A图：瀑布图（Waterfallplot）：x轴为“预测概率”，从“基线概率”（全队列平均ER概率50.1%）开始，依次叠加各特征的“SHAP贡献值”（蓝色=降低风险，红色=增加风险），最终得到“患者实际预测概率”（18.0%）；：影像组学特征（蓝色）、有辅助治疗（蓝色）、低CA199（蓝色）、TNM≤IIA期（蓝色）是“降低风险”的核心因素；：无辅助治疗（红色）、高CA199（红色）、高影像组学特征值（红色）、LVI阳性（红色）是“增加风险”的核心因素，且贡献远大于“保护因素”，最终预测概率99.9%。
2026-05-20 21:02:46
436
原创 EBioMedicine美国佐治亚理工学院与埃默里大学：基于深度学习的放射组学与病理学多模态融合预测HPV相关口咽鳞状细胞癌预后
高风险组的3年DFS率（测试集为54%）显著低于低风险组（测试集为92%），直观证明了SMuRF强大的预后分层能力。取得了最佳性能（C-index=0.79, AUC=0.74），显著优于仅使用单一模态（如仅CT或仅WSI）或单一区域（如仅肿瘤T）的模型。每个点代表一个患者，颜色代表特征值的高低（红色高，蓝色低），X轴是SHAP值（对模型输出的影响程度）。：通过窗口多头自注意力（W-MSA）和移位窗口（SW-MSA）融合PT/LN的CT特征与WSI特征。（如大小、形状、纹理），而非其周围组织。
2026-05-20 21:02:02
415
原创 JACC（IF=22.3）牛津大学心血管医学部等团队：基于常规心脏CT的心外膜脂肪放射组学表型分析对心力衰竭的早期预测
即基于常规心脏CT的心外膜脂肪放射组学表型分析对心力衰竭的早期预测，该研究基于英国ORFAN多中心队列，纳入了72,751例无已知心力衰竭或心肌梗死的成年人，利用常规冠脉CT血管成像（CCTA）中的心外膜脂肪组织（EAT），通过深度生存自编码器模型提取1,655个放射组学特征，构建了一个名为。的自动化深度学习模型，该模型通过提取1,655个EAT的容积、形态及高阶纹理特征，显著提升了对新发HF的风险分层能力。该研究通过大规模多中心队列（72,751例）证实，基于常规冠状动脉CT血管成像（CCTA）的。
2026-05-19 18:23:45
381
原创 NPJ Precis Oncol（IF=8）南京医科大学第一附属医院放射肿瘤科等团队：整合MRI与ECV的放射组学模型提高高级别胶质瘤进展预测准确性
然而，传统的基于临床参数和常规影像学特征的预测模型准确性和稳健性有限。近年来，影像组学通过从医学图像中提取高通量定量特征，在肿瘤诊断和预后预测中展现出潜力，但多数研究局限于常规MRI序列（如T1WI、T2-FLAIR）的形态和纹理信息，(a)训练集、(b)验证集、(c)测试集中，DL_com与其他所有模型（临床、放射组学、DL_ecv、DL_t2等）比较时，图3分别在训练集(a)、验证集(b)和测试集(c)中展示了临床模型、放射组学模型、DL_ecv、DL_t2及联合模型(DL_com)的ROC曲线。
2026-05-19 18:23:04
360
原创 浙江大学医学院附属第一医院苏新辉、刘华锋教授等团队：基于PET/CT放射组学与临床特征的机器学习模型预测胃肠淋巴瘤化疗后穿孔
为实现这一目标，研究团队回顾性收集了两家医院共257例确诊患者的临床资料与PET/CT影像数据，从中提取FDG高摄取区域的影像组学特征，并整合临床变量（如CRP水平、病理类型等），采用。，纵轴为净获益，横轴为阈值概率。三者ROC曲线的对比。临床特征：年龄、性别、B症状、LDH、β2-MG、CRP、IPI、ECOG PS、Ann Arbor分期、病理类型、Ki-67、SUVmax、MTV、TLG。分别为0.572（训练）、0.320（内部验证）、0.633（外部验证），均大于0.05，表明模型校准良好。
2026-05-19 18:22:09
436
原创 NPJ Precis Oncol（IF=8）中国科学院深圳先进技术研究院吴红艳教授等团队：深度可解释放射基因组学解析乳腺MRI肿瘤微环境
最后，通过基因重要性分析，模型不仅验证了KRT8、CCT6A等多个已知TNBC相关基因，还发现了CRABP2、S100A11等潜在新标志物，增强了模型的生物学可解释性。肿瘤微环境（TME）在癌症的发生、发展、转移及治疗响应中发挥着关键作用，尤其是在乳腺癌等实体瘤中，TME的组成（如免疫细胞、癌症相关成纤维细胞、内皮细胞等）与患者的预后和免疫治疗疗效密切相关。，用于从乳腺MRI图像中非侵入性地解码肿瘤微环境，并识别出临床可解释的影像生物标志物，特别是针对三阴性乳腺癌（TNBC）的亚型分型和免疫治疗响应预测。
2026-05-18 21:55:58
388
原创 J Adv Res（IF=13）南方医科大学南方医院等团队：基于多模态渐进融合 Transformer 的肝细胞癌患者免疫治疗反应预测模型
基于此，作者提出假设：采用渐进融合策略，优先融合高度相关的模态（如双期CT影像），再逐步整合临床特征，可能更适用于复杂的HCC多模态数据分析。第四，利用模型输出的风险评分对患者进行危险分层，评估其在无进展生存期（PFS）和总生存期（OS）方面的预后判别能力；，有望辅助临床医生优化HCC患者的免疫治疗策略，推动个体化精准医疗的发展。渐进融合策略优先整合高度相关模态（动脉/门脉期），后融合临床数据，优化跨模态信息交互。设计三阶段渐进融合策略：动脉期与门静脉期先融合，再融合瘤内与瘤周影像，最后融合临床特征。
2026-05-15 22:05:23
409
原创 Eur J Nucl Med Mol Imaging（IF=7.6）南方医科大学南方医院&北京协和医院等团队：基于PET/CT的深度学习预测食管癌PD-L1与免疫疗效
结果显示，多模态模型（尤其是结合PET、CT与临床因素的CPC模型）在预测PD-L1状态方面表现优异（AUC最高达0.927），且其评分能有效分层免疫治疗后的无进展生存期和总生存期，优于传统PD-L1免疫组化分层。具体而言，研究构建了四种基于3D ResNet10架构的模型：结合PET、CT及临床因素的CPC模型、结合PET与CT的PC模型、仅基于PET的P模型以及仅基于CT的C模型，同时构建了仅包含临床因素的Logistic模型作为对比。然而，深度学习在食管癌PD-L1评估中的应用尚待深入探索。
2026-05-14 23:00:00
191
原创 Eur Radiol 温州医科大学第五附属医院等团队：开发与解释基于双能量CT的深度学习放射组学模型，用于预测颈动脉支架后新出现的脑缺血病灶
研究回顾性纳入三个中心的336例患者，从DECT的多参数图像（包括虚拟单能量图、碘浓度图等）中提取了手工设计的放射组学特征和基于Vision Transformer架构的深度学习特征。：通过SHAP分析（蜂群图、热图）解析特征贡献→开发基于Streamlit的在线工具（https://post-cas-niils.streamlit.app/），实现临床落地。：多参数双能CT（DECT）图像，包括多能图像（PEI）、虚拟单能图像（VMI）、碘浓度（IC）、有效原子序数（Zeff）4类参数图。
2026-05-14 22:00:00
197
原创 Insights Imaging（IF=4.5）郑州大学第一附属医院高剑波等团队：基于CT的影像组学预测不可切除胃癌PD-1/PD-L1抑制剂联合化疗治疗反应
研究纳入了368例来自两中心的患者，提取门静脉期CT图像的影像组学特征，构建影像组学评分（Radscore），并结合临床因素构建多种机器学习模型。，采用多种机器学习算法构建并比较不同模型的预测效果，最终选择最优模型构建可视化的列线图（nomogram）并部署为在线工具，以提高临床实用性；，利用TCGA数据库中的转录组数据，分析Radscore与多种免疫细胞（如CD8+ T细胞、活化CD4+记忆T细胞等）浸润水平的相关性，，用于预测不可切除胃癌患者在接受PD-1/PD-L1抑制剂联合化疗后的治疗反应。
2026-05-14 18:00:06
199
原创 MedComm（IF=10.7）中大孙逸仙纪念医院姚和瑞等团队：多模态数据融合AI模型揭示乳腺癌肿瘤微环境免疫分型异质性与增强的风险分层
免疫-脂肪酸型（iFA）、免疫-氨基酸型（iAA）、免疫-葡萄糖型（iGlu）和免疫-叶酸型（iFolate）。，并基于此构建新型免疫-代谢分型体系。研究首先利用无监督聚类方法，基于lncRNA表达谱和免疫细胞组成，识别出具有不同代谢特征的乳腺癌亚型（免疫-脂肪酸型、免疫-氨基酸型、免疫-葡萄糖型和免疫-叶酸型），并探讨其与患者预后及基因突变景观的关联。识别出四种免疫代谢亚型：免疫-脂肪酸型（iFA）、免疫-氨基酸型（iAA）、免疫-葡萄糖型（iGlu）、免疫-叶酸型（iFolate）；
2026-05-14 17:58:46
432
原创 Eur Radiol（IF=4.7）哈尔滨医科大学肿瘤医院等团队：基于大语言模型和Gd-EOB-DTPA增强MRI的术后肝细胞癌风险分层系统
该系统创新性地整合了三类互补的信息维度：临床血清生物标志物、基于深度学习自动分割的影像组学特征，以及由多模态大语言模型提取的语义影像特征。研究首先通过改进的MedNeXt-loss框架实现肿瘤的自动、精准分割，并从Gd-EOB-DTPA增强MRI中提取高通量影像组学特征。：比较5种LLM（ChatGPT-4o、ChatGPT-5、Grok、Claude 4、Gemini 2.5），最终选用ChatGPT-4o进行循环提示策略提取六项影像语义特征。，并能有效区分高风险与低风险患者（p<0.05）。
2026-05-14 17:57:58
423
原创 Cancer Letters（IF=10.1）中山大学附属第六医院等团队：基于治疗前MRI影像的RCMIX模型预测MRI定义的cT4期直肠癌T分期下降
以验证模型的泛化能力。模型构建过程中，将从T2加权成像（T2W）和弥散加权成像（DWI）中提取的影像组学特征与筛选出的独立临床预测因子（如治疗前癌胚抗原水平、肿瘤位置）相结合，采用多层感知器（MLP）机器学习算法进行建模。为实现这一目标，研究从三家医院纳入了363例接受NAT和根治性手术的cT4-RC患者，并将其中一个中心作为训练集，另外两个中心作为独立的。然而，对于预后更差、pCR率更低的cT4-RC患者，其T降期能否通过治疗前的影像组学特征进行预测，目前尚不明确。更重要的是，该模型能有效进行。
2026-05-14 17:55:21
353
原创 上海市第一人民医院放射科张佳胤教授等团队：基于CT心肌灌注影像组学模型预测主要不良心血管事件的开发与验证
研究共纳入784名来自8家医院的患者，构建了三个逐步复杂的预测模型，结果显示，加入影像组学特征的模型3在预测MACE方面显著优于仅依赖临床和常规影像参数的模型，且具有良好的外部验证性能和模型可解释性。研究假设，从MBF、MBV、FE、PCBV、TTS等多个CT-MPI参数图中提取的影像组学特征，能够超越单一MBF的数值限制，同时捕捉大血管和微血管水平的灌注信息，从而更全面地表征心肌灌注的异质性。最终，研究团队开发了基于网络的交互工具，便于临床实时风险分层和个体化预后评估，推动了该模型的临床转化应用。
2026-05-14 17:54:08
404
原创 Radiology（IF=15.2）中南大学湘雅二医院肖煜东教授等团队：基于CT放射组学的机器学习识别肝细胞癌瘤内纤维化及其潜在血管生成
研究从动脉期和门静脉期CT图像中提取3668个特征，最终筛选出17个关键特征用于计算该评分，用于无创性区分肝细胞癌（HCC）的瘤内纤维化（ITF）高分级与低分级（病理金标准为Sirius red染色）。（前瞻性队列，n=12）：高评分组中内皮细胞（adjusted P=0.02）和成纤维细胞（adjusted P=0.03）显著富集，且VEGFR3、PDGFRA等基因表达升高。（全体训练+验证集）：高评分组的微血管密度（MVD，CD34染色）中位数为55.0，显著高于低评分组的45.0（P<0.001）。
2026-05-14 17:52:14
731
原创 Lancet Digit Health（IF=24.1）广东省人民医院刘再毅&；南方医科大学南方医院梁莉等团队：基于可解释深度学习模型预测胶质瘤分子改变
在包含12家中国医院及公共数据集的13个独立外部验证集中，模型对IDH和1p/19q共缺失保持较高的泛化能力（AUROC分别为0.870和0.885），而对TERT和+7/-10的预测性能为中等水平（AUROC分别为0.694和0.672），但。展示了内部测试集（上排）和外部验证集（下排）的ROC曲线：GMAP（红色曲线）在所有四个分子任务中均显著优于对比方法，例如外部验证集上IDH的AUC为0.870（对比模型最高仅0.850），1p/19q为0.885（对比模型最高0.839）。
2026-05-14 17:50:35
495
原创 NPJ Digit Med 四川省肿瘤医院等团队：一种用于泌尿系统癌症稳健诊断、分型与预后预测的统一多模态深度学习框架——UroFusion-X
是一个统一的、具有模态鲁棒性的多模态深度学习框架，用于泌尿系统癌症（膀胱癌、肾细胞癌、前列腺癌）的整合诊断、分子分型和预后预测。当前，深度学习虽在单模态任务中表现优异（如基于CNN/Transformer的影像分析、多实例学习的病理图像分类、以及基于基因组学的生存预测），但。，实现异构数据（影像、病理、基因组、实验室变量）的有效表征对齐与自适应加权融合，确保在部分模态缺失时仍能保持稳定的预测性能。提出统一多模态框架，集成影像、病理、组学与实验室数据，通过门控产品专家融合机制，实现对缺失模态的鲁棒性处理。
2026-05-13 11:51:01
257
原创 J Clin Oncol（IF=43.4）美国Cedars-Sinai医学中心等团队：基于计算组织学人工智能的晚期胰腺癌化疗选择预测性生物标志物的开发与验证
随后，他们在来自两个独立前瞻性研究（COMPASS试验和Know Your Tumor项目）的验证队列中，严格评估了该锁定生物标志物预测不同治疗方案疗效差异的能力，主要观察终点为至下次治疗或死亡时间（TNTD）和总生存期（OS），旨在为晚期PDAC的个体化治疗提供一个无需额外消耗组织样本、快速且有效的决策工具。：基于开发队列数据，对提取的特征进行重新加权，筛选与TNTD相关的核心特征，构建连续评分的GvF生物标志物并确定分组阈值（G-pref/F-pref），为克服观察性研究的混杂偏倚，使用了。
2026-05-13 11:50:04
513
原创 EBioMedicine（IF=10.8）北京协和医院林国乐等团队：循环肿瘤DNA在预测和监测接受多模式治疗的局部晚期直肠癌患者生存中的价值
进一步构建的二元风险分层模型（结合基线mVAF、治疗中ctDNA清除状态与肿瘤突变负荷TMB）能有效区分高危（C2组）与低危（C1组）患者，C2组的3年PFS（55.9% vs. 94.2%）与OS（79.4% vs. 100%）明显更低。该研究通过对103例局部晚期直肠癌（LARC）患者进行前瞻性、多中心、长期随访（中位53个月），系统评估了循环肿瘤DNA（ctDNA）在多模式治疗（新辅助放化疗+手术+辅助化疗）中的预后预测与监测价值。（HR=0.27，p<0.001），但OS无统计学差异。
2026-05-13 11:48:49
254
原创 PLOS Digital Health（IF=7.7）陆军军医大学新桥医院神经外科等团队 ：多模态模型预测结节性硬化症致痫灶及手术结局
的665个皮质结节数据，提取了包括CT、MRI、¹⁸F-FDG PET在内的多模态影像放射组学特征，并结合患者临床特征（如结节体积、SUV值、TLG等），构建了。在预测致痫灶方面表现最优，在回顾性和前瞻性队列中的AUC分别达0.87–0.91和0.92，显著优于单模态模型及既往报道的预测模型。该图展示了基于CT、T1、T2、T2 FLAIR和PET五模态联合影像构建的19个个体模型和3个集成模型在四个队列中的预测表现。，在预测致痫灶方面AUC达0.92，并能有效预测术后1、3、5年以上的手术结局。
2026-05-13 11:48:09
244
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人