社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

Natue 子刊!多参数 MRI 联合机器学习可预测小儿低级别胶质瘤的预后和治疗反应

BioRadiology • 1 月前 • 35 次点击  

    2024年8月,暨南大学研究团队在 Nature 子刊NC杂志发表了题为 Multiparametric MRI along with machine learning predicts prognosis and treatment response in pediatric low-grade glioma 的研究。

文章摘要

小儿低级别胶质瘤 (pLGG) 表现出异质性预后和对治疗的不同反应,在无法完全切除的情况下导致肿瘤进展和不良结局。对免疫治疗的治疗反应和适用性的早期预测有可能改善临床管理和结局。在这里介绍了 pLGGs 的放射基因组学分析,整合了 MRI 和 RNA 测序数据。我们确定了三个免疫学上不同的集群,其中一组的特点是免疫活性增加和预后较差,表明免疫疗法的潜在益处。开发了一种放射组学特征,可以预测这些免疫特征,准确率超过 80%。此外,临床影像学模型预测无进展生存期并与治疗反应相关。还确定了与进展风险相关的遗传变异和转录组途径,强调了与肿瘤生长和免疫反应的联系。这项 pLGGs 放射基因组学研究为识别可能从靶向治疗中受益的高危患者提供了一个框架。


主要图片

图1 研究的工作流程。


图2 将 494 个 pLGG 与可用的 RNA 测序数据进行聚类,揭示了基于免疫细胞浸润相关基因表达的三个不同的免疫学组,其中免疫簇 1 (n = 189) 显示中度的浸润,免疫簇 2 (n = 164) 显示高度的浸润,免疫簇 3 (n = 141) 显示最低的免疫细胞浸润。


图3 预后、临床、分子和免疫生物标志物与免疫集群的关联。


图4  临床放射组学风险分层及其与治疗反应和转录组学途径的关联。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/179653
 
35 次点击