点击本文中加粗蓝色字体即可一键直达新药情报库免费查阅文章里提到的药物、机构、靶点、适应症的最新研发进展。
2024年8月24日至25日,第十四届东方放射学会议(OCR)在上海盛大举行。此次会议邀请了国内外影像学领域的著名专家,旨在通过学术分享和交流,共享最新的科研成果,并探讨影像学的未来发展。会议议题广泛,包括传统影像、精准医疗、大数据与云医疗、人工智能以及介入治疗等多个交叉学科的最新进展和临床应用,致力于传承经典、聚焦前沿、融合创新、引领发展。会议为与会者提供了一个开阔视野、了解前沿和拓宽思路的平台。
来自北京大学人民医院的洪楠教授作了关于“深度学习在骨肿瘤研究中的应用进展”的专题报告。以下为报告的主要内容整理,以供同行参考。
1. 骨肿瘤概述
骨肿瘤是指发生在骨骼及其附属组织的肿瘤,包括骨瘤样病变、骨良性肿瘤和骨恶性肿瘤。骨肿瘤种类繁多,不同类型的肿瘤在组织学特征上也有所不同,如骨性、软骨性、纤维性、肌源性等。由于恶性骨肿瘤较为罕见,且其临床症状和影像学特点不具特异性,术前诊断面临较大挑战。
2. 深度学习概述
深度学习是机器学习的一个分支,其核心思想是模仿人脑的神经网络,通过多层次神经网络模型来实现复杂数据的学习和表征。自20世纪40年代发展至今,深度学习已经历了三代神经网络的发展,并在2012年之后进入快速发展期。常见的深度学习网络包括深度神经网络(DNN)、卷积神经网络(CNN)、递归神经网络(RNN)、深度信念网络(DBN)和生成对抗网络(GAN)等。深度学习具有高度自动化、强大的数据处理能力以及对非线性关系建模的优势。
3. 深度学习在骨肿瘤的应用
近年来,深度学习被广泛应用于骨肿瘤的各个方面,包括病变检测与分割、诊断与分类、化疗反应评估以及复发预测等。例如,von Schacky等人基于1045例患者的数据开发了一种多任务深度学习模型,通过X线片对原发性骨肿瘤进行分割和分类,结果表明该模型的诊断准确性与高级放射科医师相当。此外,Eweje等人在多中心研究中证明深度学习模型在骨肿瘤良恶性辨别方面的优越性能。
4. 局限性与展望
虽然深度学习在骨肿瘤诊断和治疗中展示了巨大的潜力,但其应用仍然面临一些挑战。包括数据集规模和质量的限制、特征提取具有“黑盒子”特点、生物学可解释性不足等。此外,由于骨肿瘤样本量较小,深度学习模型的泛化性也受到一定限制。未来的研究方向包括多中心、大样本、前瞻性研究,全自动或半自动标注方式的改进,以及多模态和多组学数据的融合,以进一步提高深度学习模型在骨肿瘤识别中的应用效果。
免责声明:新药情报内容编辑团队专注于介绍全球生物医药健康研究的最新进展,本文旨在提供信息交流,不代表任何立场或治疗方案推荐。如需专业医疗建议,请咨询正规医疗机构。