丽贝卡·埃弗雷特;凯文·弗洛雷斯（Kevin B.Flores）。;尼克·亨舍伊德;约翰·拉格伦;卡米拉·拉里帕;李、丁;约翰·T·纳迪尼。;Nguyen，Phuong T.T。;E.Bruce皮特曼;艾丽卡·M·拉特。 量化肿瘤异质性的数学技术教程综述。 （英语） Zbl 1467.92056号 数学。Biosci公司。工程师。 17，第4期，3660-3709（2020）. 摘要：肿瘤内和患者间的异质性是开发精确医学诊断数学模型的两个挑战。在这里，我们回顾了几种可用于帮助数学建模者从患者数据中推断和量化异质性来源的技术。这些技术包括虚拟人口、非线性混合效应建模、非参数估计、贝叶斯技术和机器学习。我们在本研究中创建了模拟虚拟群体，然后将其余四种方法应用于这些数据集，以突出每种技术的优势和劣势。我们在https://github.com/jtnardin/Tumor-Heherogeneity（https://guthub.com/jtnardin肿瘤异质性）/因此，本研究可以作为数学建模社区的教程。这篇综述文章是肿瘤异质性工作组的成果，是2018-2019年统计与应用数学科学研究所精准医学统计、数学和计算方法项目的一部分。 引用于1文件 MSC公司： 92立方 病理学、病理生理学 92-02 与生物学有关的研究博览会（专著、调查文章） 92-01 与生物学有关的介绍性说明（教科书、辅导论文等） 92-08 生物问题的计算方法 关键词：癌症异质性;数学肿瘤学;肿瘤生长;多形性胶质母细胞瘤;虚拟人口;非线性混合效应;时空资料;贝叶斯估计;生成性对抗网络;非参数估计;变分自动编码器;机器学习 软件：ImageNet公司;github;CycleGAN公司;像素x像素;AlexNet公司 PDF格式BibTeX公司 XML格式引用 \textit{R.Everett}等人，数学。Biosci公司。工程17，编号4，3660-3709（2020；兹bl 1467.92056） 全文： 内政部 参考文献： [1] 刘建军，党海伟，王晓伟，肝癌中肿瘤间和肿瘤内异质性的意义，实验分子医学，50（2018），e416。 [2] T.M.Grzywa，W.Paskal，P.K.Włodarski，黑素瘤的瘤内和瘤间异质性，Transl。Oncol.公司。，10 (2017), 956-975. [3] K.Anderson，C.Lutz，F.W.Van Delft，C.M.Bateman，Y.Guo，S.M.Colman等，《白血病中克隆结构和增殖细胞的遗传多样性》，《自然》，469（2011），356-361。 [4] S.Li，F.E.Garrett-Bakelman，S.S.Chung，M.A.Sanders，T.Hricik，F..Rapaport，et al.，《急性髓细胞白血病表观遗传和遗传异质性的独特进化和动力学》，《国家医学》，22（2016），792-799。 [5] G.C.Webb，D.D.Chaplin，人类肿瘤坏死因子基因座的遗传变异性。，免疫学杂志。，145 (1990), 1278-1285. [6] A.Marusyk，K.Polyak，肿瘤 [7] A.A.Alizadeh、V.Aranda、A.Bardelli、C.Blanpain、C.Bock、C.Borowski等人，《关于理解和利用肿瘤异质性》，《自然医学》，21（2015），846-853。 [8] M.Lee，G.T.Chen，E.Puttock，K.Wang，R.A.Edwards，M.L.Waterman，et al.，数学建模将wnt信号与结肠癌新陈代谢的紧急模式联系起来，分子系统。《生物学》，13（2017），912。 [9] S.Terry，S.Buart，S.Chouaib，缺氧应激诱导的肿瘤和免疫可塑性，抑制和对肿瘤异质性的影响，Front。免疫学。，8 (2017), 1625. [10] S.Akgul，A.-M.Patch，R.C.J.D'Souza，P.Mukhopadhyay，K.Nones，S.Kempe，et al.，《肿瘤内异质性是胶质母细胞瘤不同治疗反应和治疗抵抗的基础，癌症》，11（2019），190。 [11] T.D.Laajala，T.Gerke，S.Tyekucheva，J.C.Costello，癌症药物反应和耐药性的遗传异质性建模，Curr。操作。系统。《生物学》，17（2019），8-14。 [12] X.Ma，J.Huang，预测难治性前列腺癌的临床结局，Proc。国家。阿卡德。科学。，116 (2019), 11090-11092. [13] A.M.Stein，T.Demuth，D.Mobley，M.Berens，L.M.Sander，三维体外实验中胶质母细胞瘤球体侵袭的数学模型，Biophys。J.，92（2007），356-365。 [14] T.L.Stepien，E.M.Rutter，Y.Kuang，胶质瘤生长的go-or-row模型的行波，SIAM J.Appl。数学。，78 (2018), 1778-1801. ·Zbl 1392.92044号 [15] A.Martínez-González、G.F.Calvo、L.A.P.Romasanta、V.M.Pérez-GarcíA，《肿瘤坏死核心周围的缺氧细胞波》 [16] H.Hatzikirou，D.Basanta，M.Simon，K.Schaller，A.Deutsch，“要么去，要么去”：肿瘤进展中出现侵袭的关键？，数学。医学·Zbl 1234.92031号 [17] Z.Husain、P.Seth、V.P.Sukhatme、肿瘤衍生乳酸和髓源性抑制剂 [18] A.N.Mendler，B.Hu，P.U.Prinz，M.Kreutz，E.Gottfried，E.Noessner，《肿瘤乳酸中毒通过抑制p38和JNK/c-Jun激活抑制CTL功能》，《国际癌症杂志》，131（2012），633-640。 [19] K.Fischer，P.Hoffmann，S.Voelkl，N.Meidenbauer，J.Ammer，M.Edinger等人，《肿瘤细胞衍生乳酸对人类T细胞的抑制作用》，《血液》，109（2007），3812-3819。 [20] E.C.Fiedler、M.T.Hemann、Aiding和 [21] J.K.Saggar，M.Yu，Q.Tan，I.F.Tannock，肿瘤微环境和改善药物分布的策略，Front。Oncol.公司。，3 (2013), 154. [22] A.I.Minchinton，I.F.Tannock，药物在实体肿瘤中的渗透，《国家癌症评论》，6（2006），583-592。 [23] A.牛蒡；R.Rockne；A.Boone；M.Neal；C.桥梁；L.Guyman等人，《从特定患者的数学神经肿瘤学到精确医学》，Front。Oncol.公司。，3 (2013) ·doi:10.3389/fonc.2013.00062 [24] A.L.Baldock、S.Ahn、R.Rockne、S.Johnston、M.Neal、D.Corwin等，侵袭性的患者特异性指标揭示了胶质瘤可预测亚群中切除术的显著预后益处，PLoS One，9（2014），e99057。 [25] S.Barish，M.F.Ochs，E.D.Sontag，J.L.Gevertz，通过样本人群的虚拟扩张评估最佳治疗的稳健性，癌症免疫治疗的案例研究，Proc。国家。阿卡德。科学。，114（2017），E6277-E6286。 [26] J.C.L.Alfonso，L.Berk，分次放射治疗过程中肿瘤内放射敏感性异质性对肿瘤反应的影响建模，Radiate。Oncol.公司。，14 (2019), 88. [27] F.Forouzannia，H.Enderling，M.Kohandel，肿瘤异质性对放射治疗计划效率影响的数学模型，布尔。数学。《生物学》，80（2018），283-293·Zbl 1384.92039号 [28] C.H.Morrell，J.D.Pearson，H.B.Carter，L.J.Brant，使用分段非线性混合效应模型估计前列腺癌男性的未知过渡时间，J.Am.Stat.Assoc.，90（1995），45-53。 [29] N.Hartung；S.Mollard；D.巴博洛西；A.Benabdallah；G.Chapusat；G.Henry，t al.，《肿瘤生长和转移扩散的数学模型：肿瘤相关mic的验证》，《癌症研究》，74，6397-6407（2014）·doi:10.1158/0008-5472.CAN-14-0721 [30] J.Poleszczuk，R.Walker，E.G.Moros，K.Latifi，J.J.Caudell，H.Enderling，基于增殖饱和指数的数学模型选择预测患者特定的放射治疗方案，布尔。数学。《生物学》，80（2018），1195-1206·Zbl 1394.92063号 [31] A.Rafii、C.Touboul、H.A.Thani、K.Suhre、J.A.Malek，《癌症基因组学的发展方向》 [32] D.Zardavas，A.Irrthum，C.Swanton，M.Piccart，《乳腺癌异质性的临床管理》，《国家临床评论》。Oncol.公司。，12 (2015), 381-394. [33] A.D.Barker、C.C.Sigman、G.J.Kelloff、N.M.Hylton、D.A.Berry、L.J.Esserman、I-spy [34] A.S.Meyer，L.M.Heiser，癌症表型异质性测量和建模的系统生物学方法，Curr。操作。系统。《生物学》，17（2019），35-40。 [35] R.A.Gatenby，E.T.Gawlinski，癌症侵袭的反应扩散模型，《癌症研究》，56（1996），5745-5753。 [36] P.Tracqui，G.C.Cruywagen，D.E.Woodward，G.T Bartoo，J.D.Murray，E.Alvord Jr，胶质瘤的数学模型 [37] M.A.J.Chaplain，《反应扩散制备及其在肿瘤侵袭中的潜在作用》，J.Biol。系统。，3 (1995), 929-936. [38] H.L.Harpold，E.C.Alvord Jr，K.R.Swanson，神经胶质瘤增殖和侵袭数学模型的演变，神经病理学杂志。实验神经学。，66 (2007), 1-9. [39] R.Rockne，J.K.Rockhill，M.Mrugala，A.M.Spence，I.Kalet，K.Hendrickson，et al.，预测放射治疗对单个胶质母细胞瘤患者的疗效 [40] T.E.扬基洛夫；N.Atuegwu；D.霍尔穆特；J.A.Weis；S.L.Barnes；M.I.Miga等人，肿瘤生长和治疗反应的临床相关模型，科学。Transl.公司。医学，5（2013）·doi:10.1126/scitranslmed.3005686 [41] D.A.Hormuth II，J.A.Weis，S.L.Barnes，M.I.Miga，E.C.Rericha，V.Quaranta，et al.，利用定量磁共振成像数据约束的反应扩散方程预测体内胶质瘤生长，Phys。《生物学》，12（2015），046006。 [42] K.R.Swanson，R.C.Rostomly，E.C.Alvord Jr，一种数学建模工具，用于预测手术切除后单个患者的生存率 [43] S.Prokopiou，E.G.Moros，J.Poleszczuk，J.Caudell，J.F.Torres Roca，K.Latifi等人，预测放射反应和个性化放射治疗分级的增殖饱和指数，Radiat。Oncol.公司。，10 (2015), 159. [44] C.Vaghi，A.Rodallec，R.Fanciullino，J.Ciccolini，J.Mochel，M.Mastri等人，肿瘤生长曲线的人口建模，简化的Gompertz模型和肿瘤年龄预测，收录于《数学与计算肿瘤学》（编辑G.Bebis，T.Benos，K.Chen，K.Jahn，E.Lima），计算机科学讲稿，Springer International Publishing，Cham，（2019），第87-97页。 [45] T.J.Sullivan，《不确定性量化导论》，施普林格出版社，2015年·Zbl 1336.60002号 [46] G.J.Lord，C.E.Powell，T.Shardlow，《计算随机偏微分方程导论》，剑桥，2014年·Zbl 1327.60011号 [47] R.Smith，不确定性 [48] N.Henscheid，E.Clarkson，K.J.Myers，H.H.Barrett，精确癌症治疗中的生理随机过程，《公共科学图书馆·综合》，13（2018），e0199823。 [49] J.P.O'Connor，C.J.Rose，J.C.Waterton，R.A.Carano，G.J.Parker，A.Jackson，肿瘤内成像 [50] R.J.Allen，T.R.Rieger，C.J.Musante，定量系统药理学模型中虚拟种群的有效生成和选择 [51] T.R.Rieger、R.J.Allen、L.Bystricky、Y.Chen、G.W.Colopy、Y.Cui等，《改进定量系统药理学模型中虚拟种群的生成和选择》，Prog。生物物理学。分子生物学。，139 (2018), 15-22. [52] D.J.Klinke，将流行病学数据整合到2型机械模型中 [53] B.J.Schmidt，F.P.Casey，T.Paterson，J.R.Chan，替代虚拟群体阐明了i型干扰素特征预测类风湿性关节炎患者对利妥昔单抗的反应，BMC Bioinf。，14 (2013), 221. [54] J.Bassaganya-Riera，《加速治愈之路》，施普林格出版社，2018年。 [55] N.Henscheid，《量化基于图像的精确医学中的不确定性》，亚利桑那大学博士论文，2018年。 [56] J.G.Albeck，J.M.Burke，S.L.Spencer，D.A.Lauffenburger，P.K.Sorger，控制外源性细胞死亡的快速动作可变延迟开关建模，PLoS Biol。，6（2008），e299。 [57] Q.Wu，S.D.Finley，预测模型确定增强tsp1介导的凋亡信号的策略，细胞通讯。信号，15（2017），53。 [58] M.R.Birtwistle；J.劳赫；A.基亚特金；E.赤藓烯；多布伦斯基先生；J.B.Hoek，t al.，模拟单细胞信号和蛋白质表达nois之间相互作用产生的双峰细胞群体反应，BMC系统。生物，6（2012）·doi:10.1186/1752-0509-6-109 [59] D.Brown、R.A.Namas、K.Almahmoud、A.Zaaqoq、J.Sarkar、D.A.Barclay等人，《创伤》 [60] A.Badano，C.G.Graff，A.Badal，D.Sharma，R.Zeng，F.W.Samuelson，et al.，使用电子成像试验替代全视野数字乳腺摄影术的数字乳腺断层合成评估，JAMA Net。公开，1（2018），e185474-e185474。 [61] W.Kainz、E.Neufeld、W.E.Bolch、C.G.Graff、C.H.Kim、N.Kuster等人，《计算人体模型的进展及其在生物医学工程中的应用——专题综述》，IEEE Trans。辐射。等离子体医学科学。，3 (2019), 1-23. [62] E.Roelofs、M.Engelsman、C.Rasch、L.Persoon、S.Qamhiyeh、D.De Ruyscher等人，《多中心电子临床试验结果》 [63] J.K.Birnbaum，F.O.Ademuyiwa，J.J.Carlson，L.Mallinger，M.W.Mason，R.Etzioni，生物标记物靶向癌症的比较效力 [64] D.Li，S.D.Finley，《肿瘤受体异质性对抗血管生成性肿瘤治疗反应的影响》，整合。《生物学》，10（2018），253-269。 [65] K.Mustapha，Q.Gilli，J.-M.Frayret，N.Lahrichi，E.Karimi，基于代理的结肠癌和结直肠癌护理轨迹模拟患者模型，Procedia Compute。科学。，100 (2016), 188-197. [66] J.P.Rolland，H.H.Barrett，随机背景不均匀性对观测器检测性能的影响，J.Opt。《美国社会学杂志》，9（1992），649-658。 [67] H.H.Barrett，K.J.Myers，图像科学基础 [68] M.A.Kupinski，E.Clarkson，J.W.Hoppin，L.Chen，H.H.Barrett，噪声图像中物体统计的实验测定，JOSA A，20（2003），421-429。 [69] F.Bochud，C.Abbey，M.Eckstein，具有聚集块状背景的乳房X光图像的统计纹理合成，Opt。《快报》，第4期（1999年），第33-42页。 [70] N.Henscheid，使用反应扩散模型和分子成像数据生成患者特定的虚拟肿瘤群体，数学。Biosci公司。工程师，提交·Zbl 1471.92155号 [71] W.Hundsdorfer，J.G.Verwer，含时对流-扩散-反应方程的数值解，Springer Science and Business Media，2013年·Zbl 1030.65100号 [72] S.KM、M.Prah，《脑肿瘤进展数据》，癌症成像档案，2018年。 [73] M.Davidian，D.M.Giltinan，重复测量的非线性模型 [74] K.Clark、B.Vendt、K.Smith、J.Freymann、J.Kirby、P.Koppel等人，《癌症成像档案》 [75] S.Desmée，F.Mentré，C.Veyrat Follet，J.Guedj，前列腺特异性抗原动力学的非线性混合效应模型以及转移性前列腺中与生存率的联系 [76] A.Król，C.Tournigand，S.Michiels，V.Rondeau，非线性肿瘤动力学分析和死亡动态预测的多元关节脆弱性模型，《统计医学》，37（2018），2148-2161。 [77] E.Grenier，V.Louvet，P.Vigneaux，使用SAEM算法的非线性混合效应模型中的参数估计：从ODE到PDE的扩展·Zbl 1301.35177号 [78] H.Liang，异种移植瘤治疗中的抗肿瘤活性建模，Biom·Zbl 1442.62487号 [79] H.Liang，N.Sha，使用非线性混合效应模型模拟抗肿瘤活性，数学。生物科学。，189 (2004), 61-73. ·Zbl 1072.92024号 [80] A.M.Stein、D.Bottino、V.Modur、S.Branford、J.Kaeda、J.M.Goldman等，Bcr-abl转录动力学支持伊马替尼治疗期间白血病干细胞减少的假设，临床。《癌症研究》，17（2011），6812-6821。 [81] T.Ferenci，J.Sápi，L.Kovács，用混合效应模型模拟血管生成抑制下的肿瘤生长，Acta Polytech。挂。，14 (2017), 221-234. [82] B.Ribba，G.Kaloshi，M.Peyre，D.Ricard，V.Calvez，M.Tod等，《化疗或放疗治疗低度胶质瘤的肿瘤生长抑制模型》，临床。《癌症研究》，18（2012），5071-5080。 [83] B.Ribba，N.H.Holford，P.Magni，I.Trocóniz，I.Gueorguieva，P.Girard等，《肿瘤生长混合效应模型和用于人群分析的抗癌药物治疗效应的综述》 [84] N.W.Shock、R.C.Greulich、R.Andres、D.Arenberg、P.T.Costa、E.G.Lakatta等人，《正常人类衰老》。巴尔的摩老龄化长期研究，美国政府印刷局出版物。 [85] https://www.mathworks.com/help/stats/nlmefit.html，2019年11月16日访问。 [86] H.T.Banks，V.A.Bokil，S.Hu，A.K.Dhar，R.A.Bullis，C.L.Browdy，et al.，《对虾生物量和病毒感染建模与生物对策生产》，数学。Biosci公司。工程，3（2006），635-660·Zbl 1113.92023号 [87] H.T.Banks，J.L.Davis，参数概率分布估计的近似方法比较，应用。数字。数学。，57 (2007), 753-777. ·Zbl 1115.65009号 [88] M.Sirlanci，S.E.Luczak，C.E.Fairbairn，D.Kang，R.Pan，X.Yu等人，《估算经皮乙醇生物传感器扩散方程正向模型中随机参数的分布》，Automatica，106（2019），101-109·Zbl 1429.93373号 [89] E.M.Rutter，H.T.Banks，K.B.Flores，《从时空数据估算肿瘤内异质性》，J.Math。《生物学》，77（2018），1999-222·Zbl 1404.92104号 [90] H.T.Banks，K.B.Flores，I.G.Rosen，E.M.Rutter，M.Sirlanci，W.C.Thompson，随机偏微分的prohorov度量框架和聚合数据反问题，Commun。申请。分析。，22 (2018), 415-446. [91] H.T.Banks，W.C.Thompson，prohorov度量框架中概率测度的非参数估计的存在性和一致性，国际期刊Pure Appl。数学。，103 (2015), 819-843. [92] H.Akaike，《统计模型识别的新视角》，载于Hirotugu Akaicke的论文集（编辑E.Parzen，K.Tanabe，G.Kitagawa），纽约斯普林格出版社，（1998），215-222。 [93] R.Ullrich，H.Backes，H.Li，L.Kracht，H.Miletic，K.Kesper，et al.，通过3-氟-3-脱氧-L-胸苷正电子发射断层扫描术评估新诊断的高度胶质瘤患者的胶质瘤增殖，临床。《癌症研究》，第14期（2008年），2049-2055页。 [94] E.Stretton，E.Geremia，B.Menze，H.Delingette，N.Ayache，患者dti对使用反应扩散方程准确模拟胶质瘤生长的重要性，收录于2013年IEEE第十届国际研讨会。生物识别。成像，IEEE，2013年，1142-1145。 [95] N.C.Atuegwu，D.C.Colvin，M.E.Loveless，L.Xu，J.C.Gore，T.E.Yankeelov，将扩散加权磁共振成像数据并入肿瘤生长的简单数学模型，Phys。医学生物学。，57 (2011), 225-240. [96] J.Lipková；P.Angelikopoulos；吴圣美；E.阿尔伯茨；B.威斯特勒；C.Diehl等人，《胶质母细胞瘤的个性化放射治疗设计：整合肿瘤数学模型、多模式扫描和贝叶斯推断》，IEEE Trans。医学成像，381875-1884（2019）·doi:10.1109/TMI.2019.2902044 [97] J.Kaipio，E.Somersalo，《统计与计算反问题》，Springer科学与商业媒体，2006年·Zbl 1068.65022号 [98] A.M.Stuart，反转 [99] P.R.Jackson、J.Juliano、A.Hawkins-Daarud、R.C.Rockne、K.R.Swanson，《特定患者数学》 [100] J.Oden，Cse 397讲义：预测计算科学基础，2017。可用 [101] J.Collis、A.J.Connor、M.Paczkowski、P.Kannan、J.Pitt-Francis、H.M.Byrne等人，《肿瘤预测建模的贝叶斯校准、验证和不确定性量化》 [102] E.J.Kostelich，Y.Kuang，J.M.McDaniel，N.Z.Moore，N.L.Martirosyan，M.C.Preul，《不确定数据的精确状态估计》 [103] A.Hawkins-Daarud，S.Prudhomme，K.G.van der Zee，J.T.Oden，肿瘤生长扩散界面模型的贝叶斯校准、验证和不确定性量化，J.Math。《生物学》，67（2013），1457-1485·Zbl 1280.35163号 [104] I.Babuška，F.Nobile，R.Tempone，基于贝叶斯更新和预测相关拒绝标准的模型验证系统方法，计算。方法应用。机械。工程，197（2008），2517-2539·兹比尔1139.74012 [105] J.T.Oden，E.A.B.F.Lima，R.C.Almeida，Y.Feng，M.N.Rylander，D.Fuentes等人，《血管肿瘤生长的多尺度预测模型》，Arch。计算。方法工程，23（2016），735-779·Zbl 1360.92059号 [106] M.Lá，H.Delingette，J.Kalpathy-Cramer，E.R.Gerstner，T.Batchelor，J.Unkelbach等，基于MRI的肿瘤生长模型贝叶斯个性化，IEEE Trans。医学成像，35（2016），2329-2339。 [107] A.Hawkins-Daarud，S.K.Johnston，K.R.Swanson，胶质母细胞瘤基于生物数学模型的患者特异性反应指标的不确定性和稳健性量化，JCO Clin。癌症信息，3（2019），1-8。 [108] I.M.Sobol，非线性数学模型的灵敏度估计，数学。模型1。计算。实验，第1期（1993年），407-414·Zbl 1039.65505号 [109] P.Constantine，活跃 [110] M.D.Morris，《初步计算实验的因子抽样计划》，《技术计量学》，33（1991），161-174。 [111] C.Rasumssen，C.Williams，机器学习的高斯过程，麻省理工学院出版社，2006年·Zbl 1177.68165号 [112] X.Zhu，M.Welling，F.Jin，J.Lowengrub，使用高斯过程模型预测生物系统的模拟参数，统计分析。数据·Zbl 07260345号 [113] M.C.Kennedy，A.O'Hagan，计算机模型的贝叶斯校准，J.R.Stat。 [114] Y.LeCun，L.Bottou，Y.Bengio，P.Haffner等，基于梯度的学习应用于文档识别，Proc。IEEE，86（1998），2278-2324。 [115] A.Krizhevsky，I.Sutskever，G.E.Hinton，用深度卷积神经网络进行Imagenet分类，收录于《神经信息处理系统进展》（编辑：F.Pereira，C.J.C.Burges，L.Bottou，K.Q.Weinberger），Curran Associates（2012），1097-1105。 [116] O.Ronneberger、P.Fischer、T.Brox [117] A.埃斯特瓦；A.Robicquet；B.拉姆松达；V.Kuleshov；M.DePristo；K.Chou等人，《健康汽车深度学习指南》，《国家医学》，第25期，第24-29页（2019年）·doi:10.1038/s41591-018-0316-z [118] Z.Cao，L.Duan，G.Yang，T.Yue，Q.Chen，使用深度学习架构从超声图像中检测和分类乳腺病变的实验研究，BMC医学成像，19（2019），51。 [119] D.Ribli，A.Horváth，Z.Unger，P.Pollner，I.Csabai，《利用深度学习检测和分类乳房X光片中的病变》，《科学》。代表，8（2018），4165。 [120] E.M.Rutter，J.H.Lagergren，K.B.Flores，使用深度卷积神经网络进行生物医学图像分割的自动对象跟踪，医学图像计算和计算机辅助干预（编辑a.F.Frangi，J.a.Schnabel，C.Davatzikos，C.Alberola López&G.Fichtinger），Springer International Publishing，Cham，（2018）， 686-694. [121] S.Bakas，M.Reyes，A.Jakab，S.Bauer，M.Remopfler，A.Crimi等人，《在BRATS挑战中确定用于脑肿瘤分割、进展评估和总体生存预测的最佳机器学习算法》，预印本，arXiv:1811.02629。 [122] M.Havaei，A.Davy，D.Warde-Farley，A.Biard，A.Courville，Y.Bengio等人，《利用深度神经网络进行脑肿瘤分割》，医学图像分析。，35 (2017), 18-31. [123] Q.Xie，K.Faust，R.Van Ommeren，A.Sheikh，U.Djuric，P.Diamandis，图像深度学习 [124] X.Feng，N.Tustison，C.Meyer，《使用三维U网络集成的脑肿瘤分割和使用辐射特征的总体生存预测》 [125] E.Puybareau，G.Tochon，J.Chazalon，J.Fabrizio，胶质瘤分割和患者总体生存预测：一种简单快速的程序 [126] L.Sun，S.Zhang，L.Luo，深度学习下胶质瘤的肿瘤分割和生存预测 [127] B.Lyu，A.Haque，《利用基因表达数据进行基于深度学习的肿瘤类型分类》，载《2018年美国医学会生物信息学、计算生物学和健康信息学国际会议论文集》，美国医学会，纽约，（2018），89-96。 [128] P.Mobadersany、S.Yousefi、M.Amgad、D.A.Gutman、J.S.Barnholtz-Sloan、J.E.V.Vega等人，《利用卷积网络从组织学和基因组学预测癌症结果》，Proc。国家。阿卡德。科学。，115（2018），E2970-E2979。 [129] J.Zou，M.Huss，A.Abid，P.Mohammadi，A.Torkamani，A.Telenti，《基因组学深度学习入门》，《自然遗传学》。，12-18. [130] B.Shickel、P.J.Tighe、A.Bihorac和P.Rashidi，深 [131] R.A.Taylor，J.R.Pare，A.K.Venkatesh，H.Mowafi，E.R.Melnick，W.Fleischman等，急诊科患者住院死亡率预测 [132] T.Zheng，W.Xie，L.Xu，X.He，Y.Zhang，M.You，et al.，《通过电子健康记录识别2型糖尿病的基于机器学习的框架》，《国际医学信息》，97（2017），120-127。 [133] H.Xu，Z.Fu，A.Shah，Y.Chen，N.B.Peterson，Q.Chen等人，《从整个电子健康记录中提取和整合数据以检测结直肠癌病例》，载于美国医学信息学会AMIA年度研讨会论文集，（2011），1564。 [134] D.Zhao，C.Weng，结合已发表的知识和ehr数据开发用于胰腺癌预测的加权贝叶斯网络，J.Biomed。Inf.，44（2011），859-868。 [135] R.Caruana，多任务学习，马赫。学习。，28 (1997), 41-75. [136] S.Ruder，《深度神经网络中的多任务学习概述》，预印本，arXiv:1706.05098。 [137] N.Jaques，S.Taylor，E.Nosakhare，A.Sano，R.Picard，预测健康、压力和幸福的多任务学习，NIPS医疗保健机器学习研讨会，2016年。 [138] R.C.Rockne、A.Hawkins-Daarud、K.R.Swanson、J.P.Sluka、J.A.Glazier、P.Macklin等，2019年肿瘤数学路线图，物理。《生物学》，16（2019），041005。 [139] M.Raissi、P.Perdikaris、G.E.Karniadakis、Physics-informated neural [140] S.H.Rudy，S.L.Brunton，J.L.Proctor，J.N.Kutz，偏微分方程的数据驱动发现，科学。Adv.3（2017），第1602614页。 [141] J.H.Lagrangen，J.T.Nardini，G.M.Lavigne，E.M.Rutter，K.B.Flores，从噪声时空数据中学习生物迁移模型的偏微分方程，Proc。R.Soc.A，476（2020），20190800·Zbl 1439.35493号 [142] F.Hamilton，A.L.Lloyd，K.B.Flores，动力系统的混合建模和预测，公共科学图书馆计算。《生物学》，13（2017），e1005655。 [143] J.Lagergren，A.Reeder，F.Hamilton，R.C.Smith，K.B.Flores，年龄结构人口模型的机械和非机械模型的混合预测和不确定性量化，Bull。数学。《生物学》，80（2018），1578-1595·Zbl 1396.92069号 [144] N.Gaw，A.Hawkins-Daarud，L.S.Hu，H.Yoon，L.Wang，Y.Xu等，机器学习和机械模型的集成使用多参数MRI准确预测胶质母细胞瘤细胞密度的变化，科学。代表，9（2019），10063。 [145] D.P.Kingma，M.Welling，自动编码变分贝叶斯，预印本，，arXiv:1312.6114·Zbl 1431.68002号 [146] C.Doersch，变分自动编码器教程，预印本，arXiv:1606.05908。 [147] A.Myronenko，使用自动编码器正则化进行三维mri脑肿瘤分割，in [148] 徐军，项立军，刘庆，吉尔摩，吴军，唐军，等，乳腺癌组织病理学图像细胞核检测的叠加稀疏自动编码器（ssae），IEEE Trans。医学成像，35（2015），119-130。 [149] I.Goodfellow，J.Pouget-Abadie，M.Mirza，B.Xu，D.Warde-Farley，S.Ozair等人，《生成性对抗网络》，摘自《神经信息处理系统进展》（编辑：Z.Ghahramani，M.Welling，C.Cortes，N.D.Lawrence，K.Q.Weinberger），Curran Associates，（2014），2672-2680。 [150] L.Metz，B.Poole，D.Pfau，J.Sohl-Dickstein，《未轧制的生成性对抗网络》，预印本，arxiv:1611.02163。 [151] M.Arjovsky，L.Bottou，《面向生成性对抗网络训练的原则方法》，预印本，arxiv:1701.04862。 [152] A.Radford，L.Metz，S.Chintala，深度卷积生成对抗网络的无监督表征学习，预印本，arXiv:1511.06434。 [153] M.Frid-Adar，I.Diamant，E.Klang，M.Amitai，J.Goldberger，H.Greenspan，基于GAN的合成医学图像增强，用于提高CNN在肝损伤分类中的表现，神经计算，321（2018），321-331。 [154] H.C.Shin，N.A.Tenenholtz，J.K.Rogers，C.G.Schwarz，M.L.Senjem，J.L.Gunter等人，《使用生成对抗网络进行数据增强和匿名化的医学图像合成》，载于《医学成像中的模拟与合成》（编辑：A.Gooya，O.Goksel，I.Oguz，N.Burgos），Springer International Publishing，Cham，（2018），1-11。 [155] J.-Y.Zhu，T.Park，P.Isola，A.A.Efros，《使用循环一致对抗网络的未配对图像到图像转换》，IEEE国际计算机视觉会议（ICCV），2017年。 [156] Y.Zhang，S.Miao，T.Mansi，R.Liao，无监督领域的任务驱动生成建模 [157] C.E.Gast、A.D.Silk、L.Zarour、L.Riegler、J.G.Burkhart、K.T.Gustafson等，《细胞融合增强肿瘤异质性并揭示与分期和存活相关的循环杂交细胞》，科学版。高级，4（2018），eaat7828。 [158] K.Mitamura，Y.Yamamoto，N.Kudomi，Y.Maeda，T.Norikane，K.Miyake等人，18f-FLT摄取的肿瘤内异质性预测新诊断的胶质瘤患者的增殖和生存，Ann.Nucl。《医学》，31（2017），46-52。 [159] D.A.Hormuth II，J.A.Weis，S.L.Barnes，M.I.Miga，V.Quaranta，T.E.Yankellov，《小鼠脑癌模型全脑放射治疗后体内胶质瘤反应的生物物理模型》，国际放射杂志。昂科尔。生物物理。，100 (2018), 1270-1279. [160] E.M.Rutter，T.L.Stepien，B.J.Anderies，J.D.Plasencia，E.C.Woolf，A.C.Scheck等人，《小鼠模型中胶质瘤生长的数学分析》，科学。代表，7（2017），2508。 [161] S.Benzekry，C.Lamont，J.Weremowicz，A.Beheshti，L.Hlatky，P.Hahnfeldt，皮下植入Lewis肺癌细胞的肿瘤生长动力学，2019年。可用 [162] M.Mastri，A.Tracz，J.M.L.Ebos，人类LM2-4LUC+三阴性乳腺癌细胞的肿瘤生长动力学，2019年。可从以下位置获得：https://zenodo.org/record/3574531#.Xqtzv1NKjRZ。 [163] A.Rodallec、S.Giocometi、J.Ciccolini、R.Fanciullino，转染番茄慢病毒的人类MDA-MB-231细胞的肿瘤生长动力学，2019年。可用 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。