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.

Ology Medical Education ist ein globaler Anbieter unabhängiger medizinischer Bildungsangebote. Seine Mission ist es, medizinischen Fachkräften hochwertige, verlässliche medizinische Informationen zur Verfügung zu stellen, um die Patientenversorgung zu optimieren.

Ology Medical Education übernimmt keine Verantwortung für Verletzungen und/oder Personen- oder Sachschäden durch Fahrlässigkeit oder auf andere Weise oder durch die Verwendung oder den Einsatz von Verfahren, Produkten, Anweisungen oder Ideen, die in diesen Materialien enthalten sind. Aufgrund des schnellen Fortschritts in der Medizinwissenschaft empfiehlt Ology Medical Education eine unabhängige Überprüfung der Diagnosen und der Arzneimitteldosierungen. Die geäußerten Meinungen spiegeln nicht die Meinungen von Ology Medical Education oder des Sponsors wider. Ology Medical Education übernimmt keine Haftung für hierin enthaltene Materialien.