<samp id="ffp3e"><ins id="ffp3e"><ruby id="ffp3e"></ruby></ins></samp>

<menuitem id="ffp3e"><strong id="ffp3e"></strong></menuitem>

    <tbody id="ffp3e"></tbody>

    <tbody id="ffp3e"><bdo id="ffp3e"></bdo></tbody>
    1. <menuitem id="ffp3e"></menuitem>
    2. <progress id="ffp3e"><bdo id="ffp3e"></bdo></progress>

      <tbody id="ffp3e"></tbody>

    3. <progress id="ffp3e"><bdo id="ffp3e"><dfn id="ffp3e"></dfn></bdo></progress><tbody id="ffp3e"><nobr id="ffp3e"></nobr></tbody>
      華西醫學期刊出版社
      作者
      • 標題
      • 作者
      • 關鍵詞
      • 摘要
      高級搜索
      高級搜索

      搜索

      找到 作者 包含"王荃" 1條結果
      • 基于深度學習和組織形態分析的肺癌基因突變預測

        肺癌是一種常見的肺部惡性腫瘤,是全球發病率和死亡率最高的惡性腫瘤。對于發生了表皮生長因子受體(EGFR)基因突變的晚期非小細胞型肺癌患者,可以使用靶向藥物來進行針對性治療。EGFR 基因突變的檢測方法很多,但是各有優缺點。本文擬通過探索非小細胞型肺癌蘇木精-伊紅(HE)染色的全掃描組織病理圖像形態學特征與患者 EGFR 基因突變之間的關聯,達到預測 EGFR 基因突變風險的目的。實驗結果表明,本文所提出的 EGFR 基因突變風險預測模型的曲線下面積(AUC)在測試集上可達 72.4%,準確率為 70.8%,提示非小細胞型肺癌全掃描組織病理圖像中的組織形態學特征與 EGFR 基因突變之間存在密切關聯。本文從病理圖像的尺度來分析基因分子表型,將病理組學和分子組學相融合,建立 EGFR 基因突變風險預測模型,揭示全掃描組織病理圖像和 EGFR 基因突變風險的關聯性,或可為該領域提供一個頗具前景的研究方向。

        發表時間:2020-04-18 10:01 導出 下載 收藏 掃碼
      共1頁 上一頁 1 下一頁

      Format

      Content

      小泉真希