Πολυτροπική ενσωμάτωση δεδομένων με χρήση τεχνικών μηχανικής και βαθιάς μάθησης για την πρόβλεψη κλινικών αποτελεσμάτων ασθενών με μη μικροκυτταρικό καρκίνο του πνεύμονα

Περίληψη

Η σύγχρονη έρευνα σχετικά με την απεικονιστική γονιδιωματική (imagenomics) αναμένεται να διαδραματίσει σημαντικό ρόλο στη συσχέτιση “ακτινοφαινοτύπων” (imaging phenotypes) με γονοτύπους ή μοριακή πληροφορία, προωθώντας το ρόλο της ανάλυσης ιατρικής απεικόνισης και της ενσωμάτωσης πολυτροπικών δεδομένων στην ογκολογία και την ιατρική ακριβείας. Η συσχέτιση των ιατρικών δεδομένων με μοριακά ή γενετικά χαρακτηριστικά της νεοπλασίας μπορεί να οδηγήσει σε ακριβέστερη διάγνωση, ενίσχυση της πρόβλεψης για απόκριση εξατομικευμένης θεραπείας σε ασθενείς με καρκίνο του πνεύμονα και ενδυνάμει μπορεί να συμβάλει στον προσδιορισμό των μοριακών μηχανισμών που προκαλούν την παθογένεση της νόσου. Η χρήση της πολυτροπικής ενσωμάτωσης που βασίζεται στη μηχανική μάθηση για την πρόβλεψη ανταπόκρισης συγκεκριμένων θεραπειών μπορεί να αποτρέψει περιττές επεμβατικές διαδικασίες. Επιπλέον, αυτό μπορεί να οδηγήσει στη βελτιστοποίηση της σχέσης κόστους-οφέλους, ειδικά σε νέες και ακριβές θεραπείες υγειονομικής ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Contemporary research on multi-omic analysis is expected to play an important role in the correlation of genotypes with imaging phenotypes by enhancing the impact of medical image analysis and multi-modal data integration in oncology towards precision medicine. The association of medical data with molecular or genetic features of the examined disease can lead to more accurate diagnosis, enhancement of personalized treatment in patients with lung cancer, and will be a key contribution in identifying the underlining molecular mechanisms that cause the disease’s pathogenesis. Furthermore, using machine learning-based multimodal integration to predict the response of specific treatments can spare patients from unnecessary procedures and improve their quality of life. Additionally, this can lead to an optimized cost-benefit ratio, especially when considering new and expensive health care treatments. The examined population of this study consists of patients with primary non-small cell lung ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/56361
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/56361
ND
56361
Εναλλακτικός τίτλος
Multi-modal data integration using machine and deep learning techniques for predicting high level clinical outcomes of non small cell lung cancer patients
Συγγραφέας
Τριβιζάκης, Ελευθέριος (Πατρώνυμο: Μιχαήλ)
Ημερομηνία
2024
Ίδρυμα
Πανεπιστήμιο Κρήτης. Σχολή Επιστημών Υγείας. Τμήμα Ιατρικής. Τομέας Ακτινολογίας. Εργαστήριο Ιατρικής Απεικόνισης
Εξεταστική επιτροπή
Σουγκλάκος Ιωάννης
Καραντάνας Απόστολος
Μαριάς Κωνσταντίνος
Αγγελάκη Σοφία
Κουτσόπουλος Αναστάσιος
Τζανάκης Νικόλαος
Φωτιάδης Δημήτριος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΒιοϊατρική Μηχανική ➨ Βιοϊατρική μηχανική
Λέξεις-κλειδιά
Αξονική τομογραφία; Μη-μικροκυτταρικός καρκίνος πνεύμωνα; Ανάλυση εικόνας; Μεταγράφωμα; Πολυ-ομική; Προβλεπτική ανάλυση; Προγνωστική ανάλυση; Βαθιά μάθηση; Μηχανική μάθηση
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)