Tiefgehendes Lernmodell ist bei der Überlebensprognose von Patienten mit multiplen Hirnmetastasen effektiv

Ein tiefgehendes Lernmodell unter Verwendung einer maschinellen Lernmethode zur Modellierung von nicht-linearen Zusammenhängen zwischen Bildgebungs-Prädiktoren auf Pixelebene und Überlebensdaten hat sich als effektiv bei der Prognose des Überlebens von Patienten mit multiplen Hirnmetastasen erwiesen, berichten Forscher.

Das Modell übertraf traditionelle Cox-proportionale Hazard-Modelle (CPH-Modelle), die auf linearen Zusammenhängen zwischen klinischen Faktoren und Überleben beruhen.

Dr. Enoch Chang vom Department of Therapeutic Radiology an der Yale School of Medicine in New Haven, Connecticut, USA, präsentierte die neuen Ergebnisse bei der virtuellen SNO-Konferenz 2020.