Gündem

AI tabanlı patoloji, bilinmeyen birincil kanserlerin kökenlerini tahmin ediyor

0

  • 1.

    Rassy, ​​E. & Pavlidis, N. Moleküler çağda bilinmeyen primer kanserin klinik tedavisinin iyileştirilmesinde ilerleme. Nat. Rev. Clin. Oncol. 17, 541–554 (2020).

    PubMed Google Scholar

  • 2.

    Varadhachary, GR & Raber, MN Bilinmeyen birincil bölge kanseri. N. Engl. J. Med. 371, 757–765 (2014).

    CAS PubMed Google Scholar

  • 3.

    Massard, C., Loriot, Y. & Fizazi, K. Birincil kaynağı bilinmeyen karsinomlar – tanı ve tedavi. Nat. Rev. Clin. Oncol. 8, 701–710 (2011).

    CAS PubMed Google Scholar

  • 4.

    Jiao, W. vd. Derin öğrenme sistemi, yolcu mutasyon modellerini kullanarak birincil ve metastatik kanserleri doğru bir şekilde sınıflandırır. Nat. Yaygın. 11, 728 (2020).

    ADS CAS PubMed PubMed Central Google Scholar

  • 5.

    Penson, A. vd. Klinik kanser bakımını bilgilendirmek için genomdan türetilen tümör tipi tahmininin geliştirilmesi. JAMA Oncol. 6, 84–91 (2020).

    PubMed Google Scholar

  • 6.

    Grewal, JK vd. Primer ve metastatik kanserlerin teşhisi için bir sinir ağı tam transkriptom bazlı pan-kanser yönteminin uygulanması. JAMA Netw. Açık 2, e192597 (2019).

    PubMed PubMed Central Google Scholar

  • 7.

    Zhao, Y. vd. CUP-AI-Dx: RNA gen ekspresyon verilerini ve yapay zekayı kullanarak menşe ve moleküler alt tipteki kanser dokusunu çıkarmak için bir araç. EBioTıp 61, 103030 (2020).

    PubMed PubMed Central Google Scholar

  • 8.

    Shen, Y. vd. TOD-CUP: Birincil bilinmeyen kanserlerin doku kaynaklı teşhisi için gen ekspresyonu sıralamasına dayalı çoğunluk oylama algoritması. Kısa. Biyoinformatik 22, 2106–2118 (2020).

    Google Scholar

  • 9.

    Kerr, SE vd. 92 gen moleküler kanser sınıflandırıcısının performans özelliklerini belirlemek için çok bölgeli doğrulama çalışması. Clin. Kanser Res. 18, 3952–3960 (2012).

    CAS PubMed Google Scholar

  • 10.

    Hayashi, H. vd. Bilinmeyen birincil bölge kanseri için yeni nesil sekanslama yoluyla moleküler profillemeye dayalı bölgeye özgü ve hedefli tedavi: rastgele olmayan bir faz 2 klinik çalışma. JAMA Oncol. 6, 1931–1938 (2020).

    PubMed Google Scholar

  • 11.

    Nass, D. vd. MiR-92b ve miR-9/9 * spesifik olarak beyin primer tümörlerinde eksprese edilir ve primerin metastatik beyin tümörlerinden ayırt edilmesi için kullanılabilir. Beyin Pathol. 19, 375–383 (2009).

    CAS PubMed PubMed Central Google Scholar

  • 12.

    Estrella, JS, Wu, TT, Rashid, A. & Abraham, SC Gastrointestinal sistemde metastatik karsinom ile mukozal kolonizasyon: birincil neoplazinin potansiyel bir taklidi. Am. J. Surg. Pathol. 35, 563–572 (2011).

    PubMed Google Scholar

  • 13.

    LeCun, Y., Bengio, Y. & Hinton, G. Derin öğrenme. Doğa 521, 436–444 (2015).

    Google Akademik CAS ADS

  • 14.

    Liu, Y. vd. Deri hastalıklarının ayırıcı tanısı için derin öğrenme sistemi. Gece. İle. 26, 900–908 (2020).

    CAS PubMed Google Scholar

  • 15.

    Lu, MY vd. Tüm slayt görüntülerinde veri açısından verimli ve zayıf şekilde denetlenen hesaplama patolojisi. Gece. Biomed. Çayır. https://doi.org/10.1038/s41551-020-00682-w (2021).

  • 16.

    Campanella, G. vd. Tüm slayt görüntülerinde zayıf şekilde denetlenen derin öğrenmeyi kullanan klinik sınıf hesaplamalı patoloji. Gece. İle. 25, 1301–1309 (2019).

    CAS PubMed PubMed Central Google Scholar

  • 17.

    Chen, PC vd. Kanser teşhisi için gerçek zamanlı yapay zeka entegrasyonuna sahip artırılmış gerçeklik mikroskobu. Gece. İle. 25, 1453–1457 (2019).

    CAS PubMed Google Scholar

  • 18.

    Ouyang, D. vd. Kalp fonksiyonunun atımdan atıma değerlendirmesi için video tabanlı AI. Doğa 580, 252–256 (2020).

    ADS CAS PubMed Google Scholar

  • 19.

    Hollon, TC vd. Uyarılmış Raman histolojisi ve derin sinir ağları kullanılarak neredeyse gerçek zamanlı intraoperatif beyin tümörü teşhisi. Gece. İle. 26, 52–58 (2020).

    CAS PubMed PubMed Central Google Scholar

  • 20.

    Esteva, A. vd. Derin sinir ağları ile cilt kanserinin dermatolog düzeyinde sınıflandırılması. Doğa 542, 115–118 (2017).

    ADS CAS PubMed Google Scholar

  • 21.

    Kalra, S. vd. Yapay zeka kullanarak arşivsel histopatoloji görüntülerini arayarak pan-kanser tanısal fikir birliği. NPJ Rakam. İle. 3, 31 (2020).

    PubMed PubMed Central Google Scholar

  • 22.

    Coudray, N. vd. Derin öğrenme kullanarak küçük hücreli olmayan akciğer kanseri histopatoloji görüntülerinden sınıflandırma ve mutasyon tahmini. Gece. İle. 24, 1559–1567 (2018).

    CAS PubMed Google Scholar

  • 23.

    Kather, JN vd. Derin öğrenme, mikro uydu istikrarsızlığını doğrudan mide-bağırsak kanserinde histolojiden tahmin edebilir. Gece. İle. 25, 1054–1056 (2019).

    CAS PubMed PubMed Central Google Scholar

  • 24.

    Poplin, R. vd. Derin öğrenme yoluyla retina fundus fotoğraflarından kardiyovasküler risk faktörlerinin tahmini. Gece. Biomed. Çayır. 2, 158–164 (2018).

    PubMed Google Scholar

  • 25.

    Ilse, M., Tomczak, JM & Welling, M. Dikkat temelli derin çoklu örnek öğrenme. İçinde Uluslararası Makine Öğrenimi Konferansı 2132–2141 (2018).

  • 26.

    Handorf, CR vd. Metastatik tümörlerde birincil bölge tanımlaması için gen ekspresyon profillemesinin tanısal doğruluğunu ve immünohistokimyayı doğrudan karşılaştıran çok merkezli bir çalışma. Am. J. Surg. Pathol. 37, 1067–1075 (2013).

    PubMed PubMed Central Google Scholar

  • 27.

    McHugh, ML Interrater güvenilirliği: kappa istatistiği. Biochem. İle. 22, 276–282 (2012).

    Google Scholar

  • 28.

    Sheahan, K. vd. Bilinmeyen bir birincil bölgenin metastatik adenokarsinomu. Morfolojinin göreceli katkılarının, minimum temel klinik verilerin ve CEA immün boyama durumunun karşılaştırması. Am. J. Clin. Pathol. 99, 729–735 (1993).

    CAS PubMed Google Scholar

  • 29.

    Jurmeister, P. vd. DNA metilasyon profillerinin makine öğrenimi analizi, primer akciğer skuamöz hücre karsinomlarını baş ve boyun metastazlarından ayırır. Sci. Çeviri Orta. 11, eaaw8513 (2019).

    CAS PubMed Google Scholar

  • 30.

    Rassy, ​​E. & Pavlidis, N. Şu anda azalan kanser vakası bilinmeyen birincil. Kanser Epidemiol. 61, 139–141 (2019).

    PubMed Google Scholar

  • 31.

    He, K. vd. Görüntü tanıma için derin kalıntı öğrenme. İçinde Proc. Bilgisayarla Görme ve Örüntü Tanıma IEEE Konferansı 770–778 (IEEE, 2016).

  • 32.

    Russakovsky, O. vd. Imagenet büyük ölçekli görsel tanıma görevi. Int. J. Comput. Vis. 115, 211–252 (2015).

    MathSciNet Google Scholar

  • 33.

    Youden, teşhis testlerini derecelendirmek için WJ Index. Kanser 3, 32–35 (1950).

    CAS PubMed Google Scholar

  • 34.

    Yosinski, J., Clune, J. Bengio, Y. & Lipson, H. Derin sinir ağlarında özellikler ne kadar aktarılabilir? İçinde Proc. 27.Uluslararası Sinirsel Bilgi İşleme Sistemleri Konferansı Cilt 2, 3320–3328 (2014).

    Google Scholar

  • 35.

    Graham, S. vd. Hover-net: çok doku histoloji görüntülerinde çekirdeklerin eşzamanlı segmentasyonu ve sınıflandırılması. İle. Görüntü Anal. 58, 101563 (2019).

    PubMed Google Scholar

  • Profesör

    Birkaç katmanlı siyah arsenikte Rashba vadileri ve kuantum Hall devletleri

    Previous article

    Bir çocuğun mezarı, Afrika’da bilinen en eski mezarlık alanıdır.

    Next article

    You may also like

    Comments

    Comments are closed.

    More in Gündem