子宮頸がんに対する有効性評価に関する臨床研究 (EECC)

1. 子宮頸がん患者の治療前のマルチオミクス特徴に基づいて予後および副作用予測モデルを構築します。

1. ケースの選択: 全体的な実験計画に従って、トレーニング グループの 2,800 人の患者がトレーニング データ セットとして使用され、検証グループの 1,200 人の患者が検証データ コレクションとして使用されました。
2. モデルのトレーニングとチューニング:トレーニンググループのマルチオミクス特徴を抽出し、その特徴の自己学習を実行して、子宮頸がんの予備的な予後および副作用予測モデルを形成します。 b. 検証グループのマルチオミクスデータをモデルに入力し、モデルの構造とトレーニングパラメータを実行し、最適なモデル構造とトレーニングパラメータを探します。 c. 最適な子宮頸がんの予後予測と副作用モデルを決定します。

2.マルチオミクスデータに基づいて再発腫瘍の特徴をマイニングし、再発リスクの包括的な評価モデルを構築します。

1. ケースの選択: 全体的な実験計画に従って、トレーニング グループの 2,800 人の患者がトレーニング データセットとして使用され、検証グループの 1,200 人の患者が検証データとして収集されました。
2. モデルのトレーニングとチューニング: 以前のフォローアップ訪問で再発が診断される前のトレーニンググループのマルチオミクスデータの特徴を使用して、特徴の自己学習を実行し、以前の経過でのマルチオミックスの特徴に基づいて腫瘍再発のリスクを評価します。フォローアップ訪問、動的なリアルタイムの再発リスク評価モデルを形成し、再発介入の意思決定のための包括的なリスク値を導き出します。 b. 再発診断前の検証グループの前回のフォローアップ来院に関連するマルチオミクス特徴がモデルに入力され、患者に対して時系列再発リスク評価が反復的に実行されます。 モデルの診断性能を評価するための患者の時系列再発リスク反復評価。 c. 検証グループのセグメンテーション精度に従ってモデルの構造とトレーニング パラメーターを調整し、最適なモデル構造とトレーニング パラメーターを探します。 d. データ拡張やその他の技術的手段を使用して、サンプル サイズを拡大してセグメンテーションの精度を向上させることを検討します。 e.最適なリスク評価モデルを決定します。

3. 子宮頸がんの予後・副作用予測と動的モニタリングシステムを確立する。

ａ．上記で構築したモデルを外来システムとドッキングして、子宮頸がんの診断と治療の過程における予後と副反応の予測および動的モニタリングシステムを構築します。 b. 予後および副反応の予測とリスク動的評価モデルを通じたインテリジェントな意思決定支援システムの構築、再発予測および動的モニタリングシステムのアプリケーションの実装、および臨床医による介入措置の決定の支援。