其他行业 · AI应用
从细胞图像预测转移性黑色素瘤风险
研究人员开发了一种结合无监督深度学习和有监督机器学习的AI算法，用于预测黑色素瘤是否会发生侵袭性转移。该模型分析单个黑色素瘤细胞的延时图像，识别与高转移潜力相关的细微细胞行为和物理特性，这些特性人眼无法察觉。早期检测有助于医生制定更有效的治疗方案。模型分析了超过170万张单个黑色素瘤细胞的延时图像，并在小鼠身上成功验证：高转移细胞在动物体内扩散，而低转移细胞则没有。该研究为从组织样本预测疾病驱动机制提供了框架。
开发了结合无监督深度学习和有监督机器学习的AI算法，用于预测黑色素瘤的侵袭性转移。
未披露
分析了超过170万张单个黑色素瘤细胞的延时图像，识别与高转移潜力相关的细微行为。
未披露
在小鼠身上成功验证，高转移细胞在动物体内扩散，而低转移细胞则没有。
未披露
01
业务背景
研究人员开发了一种结合无监督深度学习和有监督机器学习的AI算法，用于预测黑色素瘤是否会发生侵袭性转移。该模型分析单个黑色素瘤细胞的延时图像，识别与高转移潜力相关的细微细胞行为和物理特性，这些特性人眼无法察觉。早期检测有助于医生制定更有效的治疗方案。模型分析了超过170万张单个黑色素瘤细胞的延时图像，并在小鼠身上成功验证：高转移细胞在动物体内扩散，而低转移细胞则没有。该研究为从组织样本预测疾病驱动机制提供了框架。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了结合无监督深度学习和有监督机器学习的AI算法，用于预测黑色素瘤的侵袭性转移。：
分析了超过170万张单个黑色素瘤细胞的延时图像，识别与高转移潜力相关的细微行为。：
在小鼠身上成功验证，高转移细胞在动物体内扩散，而低转移细胞则没有。：
为从组织样本预测疾病驱动机制提供了框架，有助于制定有效的治疗计划。：
使用了深度卷积神经网络和CUDA加速的NVIDIA V100 Tensor Core GPU等先进技术进行分析。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。