Comparison and fusion prediction model for lung adenocarcinoma with micropapillary and solid pattern using clinicoradiographic, radiomics and deep learning features

基于临床放射学、放射组学和深度学习特征的肺腺癌微柱和实体模式的比较和融合预测模型

本文基于的点就是MPA和SPA的数量哪怕很少也会影响预后。应用radiomic + DL+深度学习来预测MPA和SPA。

三类：

• 临床影像资料：最大肿瘤实变直径/肿瘤直径 (C/T) 比值、密度、边缘、肺肿瘤等形态学特征界面（清晰或模糊）；内部表现、胸膜标签和压痕，血管变化，与支气管的关系。
• 影像组学资料：从 3D 维区域提取的 107 个放射组学特征由三类组成
  • 形状特征（特征数 [m] = 18）
  • 一阶特征（m = 14）
  • 纹理特征（m = 75)
    • 24个Gy 级共生矩阵（GLCM）特征
    • 16个Gy 级游程矩阵（GLRLM）特征
    • 16个Gy 级大小区域矩阵（GLSZM）特征
    • 5个邻域灰度差矩阵（NGTDM）特征
    • 14个Gy水平依赖矩阵 (GLDM) 特征
• DL：宽残差网络。WRN

图片.png

这种联合的思路可以学习一下。

A review on lung disease recognition by acoustic signal analysis with deep learning networks

回顾肺部疾病识别通过声信号分析与深度学习网络

Comments： 这个文章是一个关于声学为主的综述，里面关于声音的数据集应该是可以去研究一下怎么用的，手段还是老生常谈的那些就不看了。

关于做法感觉作为图像或者信号来处理因该都可以，然后疾病的话和肿瘤还有不同。应该是一些感染性的疾病可能会更好去用一些。

图片.png

Tumor‑educated platelet blood tests for Non‑Small Cell Lung Cancer detection and management

用于非小细胞肺癌癌症检测和治疗的肿瘤诱导血小板检测

466 NSCLC 和 410 control 收集了876份血小板。应用的模型师SVM。

图片.png

这个文章描绘了两个很有意思的模型，分别是高特异性和高敏感度的，然后描绘了各自的大概得引用场景。