Warning: mkdir(): No space left on device in /var/www/group-telegram/post.php on line 37

Warning: file_put_contents(aCache/aDaily/post/fatemehghasemibme/--): Failed to open stream: No such file or directory in /var/www/group-telegram/post.php on line 50
fatemehghasemi.bme 🧫🧪 | Telegram Webview: fatemehghasemibme/667 -
Telegram Group & Telegram Channel
«تحولی در ارزیابی درمان سرطان کبد با هوش مصنوعی: مدل یادگیری عمیق RECORD معرفی شد»

🔬📚📝

مقاله‌ای با عنوان «ارزیابی نتایج درمانی و نقاط پایانی سرطان با استفاده از یادگیری عمیق از تصاویر سی‌تی اسکن در سرطان کبد» در مجله npj Precision Oncology در نوامبر ۲۰۲۴ منتشر شده است.

این پژوهش به توسعه یک مدل یادگیری عمیق به نام RECORD پرداخته است که با استفاده از تصاویر سی‌تی اسکن، پاسخ به درمان در بیماران مبتلا به سرطان کبد را ارزیابی می‌کند. این مدل با بهره‌گیری از شبکه‌های عصبی پیچشی (CNN) و ترانسفورمرهای بینایی (ViT)، حجم تومورهای کبد را اندازه‌گیری کرده و بر اساس مجموع حجم (SOV)، وضعیت بیماری را به صورت پاسخ، ثبات یا پیشرفت طبقه‌بندی می‌کند. همچنین، RECORD قادر به شناسایی ضایعات جدید و پیش‌بینی بقای بدون پیشرفت (PFS) و زمان پاسخ به درمان است.

👩🏻‍💻🧑🏻‍🔬🌝



عملکرد این مدل در سه گروه طولی شامل ۲۰۶ بیمار و ۸۹۱ سی‌تی اسکن از ۶۰ مرکز بین‌المللی ارزیابی شده است. نتایج نشان می‌دهد که RECORD با دقت بالا می‌تواند وضعیت بیماری را طبقه‌بندی کرده، ضایعات جدید را شناسایی و نتایج کلی درمان را ارزیابی کند. پیش‌بینی‌های این مدل با ارزیابی‌های بالینی همبستگی قوی داشته و در تفکیک بیماران با ریسک بالا و پایین برای بقای کلی، عملکرد بهتری نسبت به روش‌های سنتی مانند RECIST نشان داده است.

این پژوهش نشان می‌دهد که استفاده از مدل‌های یادگیری عمیق می‌تواند ارزیابی پاسخ به درمان در سرطان کبد را بهبود بخشد و به عنوان ابزاری کارآمد و عینی در تحلیل ضایعات کبدی مورد استفاده قرار گیرد.

🧬 @fatemehghasemibme ☃️



group-telegram.com/fatemehghasemibme/667
Create:
Last Update:

«تحولی در ارزیابی درمان سرطان کبد با هوش مصنوعی: مدل یادگیری عمیق RECORD معرفی شد»

🔬📚📝

مقاله‌ای با عنوان «ارزیابی نتایج درمانی و نقاط پایانی سرطان با استفاده از یادگیری عمیق از تصاویر سی‌تی اسکن در سرطان کبد» در مجله npj Precision Oncology در نوامبر ۲۰۲۴ منتشر شده است.

این پژوهش به توسعه یک مدل یادگیری عمیق به نام RECORD پرداخته است که با استفاده از تصاویر سی‌تی اسکن، پاسخ به درمان در بیماران مبتلا به سرطان کبد را ارزیابی می‌کند. این مدل با بهره‌گیری از شبکه‌های عصبی پیچشی (CNN) و ترانسفورمرهای بینایی (ViT)، حجم تومورهای کبد را اندازه‌گیری کرده و بر اساس مجموع حجم (SOV)، وضعیت بیماری را به صورت پاسخ، ثبات یا پیشرفت طبقه‌بندی می‌کند. همچنین، RECORD قادر به شناسایی ضایعات جدید و پیش‌بینی بقای بدون پیشرفت (PFS) و زمان پاسخ به درمان است.

👩🏻‍💻🧑🏻‍🔬🌝



عملکرد این مدل در سه گروه طولی شامل ۲۰۶ بیمار و ۸۹۱ سی‌تی اسکن از ۶۰ مرکز بین‌المللی ارزیابی شده است. نتایج نشان می‌دهد که RECORD با دقت بالا می‌تواند وضعیت بیماری را طبقه‌بندی کرده، ضایعات جدید را شناسایی و نتایج کلی درمان را ارزیابی کند. پیش‌بینی‌های این مدل با ارزیابی‌های بالینی همبستگی قوی داشته و در تفکیک بیماران با ریسک بالا و پایین برای بقای کلی، عملکرد بهتری نسبت به روش‌های سنتی مانند RECIST نشان داده است.

این پژوهش نشان می‌دهد که استفاده از مدل‌های یادگیری عمیق می‌تواند ارزیابی پاسخ به درمان در سرطان کبد را بهبود بخشد و به عنوان ابزاری کارآمد و عینی در تحلیل ضایعات کبدی مورد استفاده قرار گیرد.

🧬 @fatemehghasemibme ☃️

BY fatemehghasemi.bme 🧫🧪


Warning: Undefined variable $i in /var/www/group-telegram/post.php on line 260

Share with your friend now:
group-telegram.com/fatemehghasemibme/667

View MORE
Open in Telegram


Telegram | DID YOU KNOW?

Date: |

Recently, Durav wrote on his Telegram channel that users' right to privacy, in light of the war in Ukraine, is "sacred, now more than ever." WhatsApp, a rival messaging platform, introduced some measures to counter disinformation when Covid-19 was first sweeping the world. Sebi said data, emails and other documents are being retrieved from the seized devices and detailed investigation is in progress. Also in the latest update is the ability for users to create a unique @username from the Settings page, providing others with an easy way to contact them via Search or their t.me/username link without sharing their phone number. Multiple pro-Kremlin media figures circulated the post's false claims, including prominent Russian journalist Vladimir Soloviev and the state-controlled Russian outlet RT, according to the DFR Lab's report.
from us


Telegram fatemehghasemi.bme 🧫🧪
FROM American