head and neck cancer
PulseAugur coverage of head and neck cancer — every cluster mentioning head and neck cancer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
专业化LMM在PET/CT癌症诊断方面展现潜力
研究人员通过微调LLaVA-NeXT开发了一种专业化的大型多模态模型（LMM），用于解读头颈癌的PET/CT扫描。该专业化模型在外部验证中，于ROUGE-L、召回率和F1等指标上取得了高分，显著优于ChatGPT和基础LLaVA-NeXT等通用模型。该模型在原发肿瘤分类和淋巴结转移定位方面表现出有希望的准确性，表明其在诊断支持和医学教育领域具有临床转化的潜力。
-
新型AI网络改进头颈癌放射学报告
研究人员开发了SGRNet，一个旨在提高头颈癌放射学报告准确性的新型网络。该系统通过将报告生成重新构建为一项结构化的、基于解剖学的任务，来解决幻觉风险和数据稀缺等挑战。SGRNet整合了来自自动器官分割和肿瘤定位热图的空间先验来指导网络，在一个多中心数据集上比现有的3D基线提高了8.8个百分点。
-
新的贝叶斯网络方法改进癌症预后建模
一篇新发表在arXiv上的研究论文提出了一种名为“生存感知贝叶斯网络”的方法，以改进临床预后建模。该方法解决了生存结局二值化的局限性，这种常见做法可能导致审查患者被排除以及时间信息的丢失。通过用Cox偏对数似然替换二值评分函数，“生存感知贝叶斯网络”可以识别二值化方法所遗漏的预后特征，这在涉及头颈癌、乳腺癌、结直肠癌和肾癌的研究中得到了证明。
-
基础模型提升头颈癌转移预测能力
研究人员开发了一种新方法，利用计算断层扫描（CT）图像的基础模型衍生嵌入来预测头颈癌的远处转移。该方法只需最少的预处理，无需专家标注的感兴趣区域，其接收者操作特征曲线下面积（AUC）为0.791，高于传统影像组学（0.772）和基于深度学习的模型（0.753）。基础模型的性能与影像组学和深度学习组合模型相当，表明其作为早期风险评估工具的潜力更大、更易于获取和扩展。
-
基础模型在癌症预测方面显示出潜力，但面临泛化挑战
研究人员正在探索使用基础模型预测头颈癌复发，并将其性能与传统的影像组学和深度学习方法进行比较。一项研究发现，源自CT图像的基础模型在预测远处转移风险方面优于影像组学和深度学习模型，AUC达到0.791。然而，另一项调查强调了这些基础模型在不同临床环境和图像分布中泛化的挑战，表明将影像特征与临床数据相结合仍然是预后预测最准确的方法。
-
AI为头颈癌CT扫描合成PET图像
研究人员开发了一种新颖的深度学习框架，旨在为头颈癌患者的常规CT扫描合成类似PET的图像。该双路径系统结合了用于定量SUV估计的回归U-Net和用于真实纹理合成的条件生成对抗网络。该集成方法旨在提供补充代谢信息，可能有助于影像分诊和临床决策支持，但不能替代诊断性PET扫描。
-
AI模型利用患者报告数据预测癌症患者吞咽困难风险
研究人员开发了一种新颖的两阶段堆叠模型，用于预测吞咽困难的风险，吞咽困难是头颈癌治疗的常见副作用。该模型整合了患者报告结局（PROs）和结构化临床变量，提供了一种实用的、无需成像的风险分层方法。研究发现，对MDADI问卷的个体反应提供了有价值的预测信息，并且该可解释框架突出了与吞咽障碍相关的特定症状模式和临床因素。
-
新的AI框架增强临床生存预测和可解释性 · 跟踪4个来源
研究人员开发了两个新的框架，用于改进临床环境中的生存预测。ChronoSurv利用异构分层有向图将患者护理建模为进程感知的临床轨迹，在头颈癌生存分析中表现出最先进的性能。另一方面，AdaCSM采用混合专家方法创建个体化患者表示和专业风险预测器，从而提高不同临床队列的预测准确性和可解释性。