• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

Machine learning for tumor growth inhibition: Interpretable predictive models for transparency and reproducibility.

作者信息

Meid Andreas D, Gerharz Alexander, Groll Andreas

机构信息

Department of Clinical Pharmacology and Pharmacoepidemiology, University of Heidelberg, Heidelberg, Germany.

Department of Statistics, TU Dortmund University, Dortmund, Germany.

出版信息

CPT Pharmacometrics Syst Pharmacol. 2022 Mar;11(3):257-261. doi: 10.1002/psp4.12761. Epub 2022 Feb 1.

DOI:10.1002/psp4.12761
PMID:35104394
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC8923723/
Abstract
摘要
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6358/8923723/13abd9f8f044/PSP4-11-257-g002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6358/8923723/932896de72fe/PSP4-11-257-g001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6358/8923723/13abd9f8f044/PSP4-11-257-g002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6358/8923723/932896de72fe/PSP4-11-257-g001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6358/8923723/13abd9f8f044/PSP4-11-257-g002.jpg

相似文献

1
Machine learning for tumor growth inhibition: Interpretable predictive models for transparency and reproducibility.用于肿瘤生长抑制的机器学习：实现透明度和可重复性的可解释预测模型。
CPT Pharmacometrics Syst Pharmacol. 2022 Mar;11(3):257-261. doi: 10.1002/psp4.12761. Epub 2022 Feb 1.
2
Assessing reproducibility and veracity across machine learning techniques in biomedicine: A case study using TCGA data.评估生物医学中机器学习技术的可重复性和准确性：使用 TCGA 数据的案例研究。
Int J Med Inform. 2020 Sep;141:104148. doi: 10.1016/j.ijmedinf.2020.104148. Epub 2020 May 13.
3
Update to improve reproducibility and interpretability: A response to "Machine Learning for Tumor Growth Inhibition".为提高可重复性和可解释性而进行的更新：对《用于肿瘤生长抑制的机器学习》的回应
CPT Pharmacometrics Syst Pharmacol. 2022 Mar;11(3):262-263. doi: 10.1002/psp4.12760. Epub 2022 Jan 31.
4
Fostering reproducibility and generalizability in machine learning for clinical prediction modeling in spine surgery.促进机器学习在脊柱外科临床预测建模中的可重复性和泛化能力。
Spine J. 2021 Oct;21(10):1610-1616. doi: 10.1016/j.spinee.2020.10.006. Epub 2020 Oct 13.
5
Development of Machine Learning Models for Predicting Postoperative Delayed Remission in Patients With Cushing's Disease.机器学习模型在预测库欣病患者术后迟发性缓解中的开发。
J Clin Endocrinol Metab. 2021 Jan 1;106(1):e217-e231. doi: 10.1210/clinem/dgaa698.
6
A comparative study of machine learning techniques for suicide attempts predictive model.机器学习技术在自杀企图预测模型中的比较研究。
Health Informatics J. 2021 Jan-Mar;27(1):1460458221989395. doi: 10.1177/1460458221989395.
7
SMILE: systems metabolomics using interpretable learning and evolution.SMILE：基于可解释学习和进化的系统代谢组学。
BMC Bioinformatics. 2021 May 28;22(1):284. doi: 10.1186/s12859-021-04209-1.
8
Interpretable Machine Learning Techniques for Causal Inference Using Balancing Scores as Meta-features.使用平衡分数作为元特征进行因果推断的可解释机器学习技术。
Annu Int Conf IEEE Eng Med Biol Soc. 2018 Jul;2018:4042-4045. doi: 10.1109/EMBC.2018.8513026.
9
Deep learning-level melanoma detection by interpretable machine learning and imaging biomarker cues.基于可解释机器学习和成像生物标志物线索的深度学习级黑色素瘤检测。
J Biomed Opt. 2020 Nov;25(11). doi: 10.1117/1.JBO.25.11.112906.
10
Machine learning identifies a core gene set predictive of acquired resistance to EGFR tyrosine kinase inhibitor.机器学习鉴定出一组核心基因，可预测对 EGFR 酪氨酸激酶抑制剂获得性耐药。
J Cancer Res Clin Oncol. 2018 Aug;144(8):1435-1444. doi: 10.1007/s00432-018-2676-7. Epub 2018 May 25.

引用本文的文献

1
Covariance regression with random forests.随机森林的协方差回归。
BMC Bioinformatics. 2023 Jun 17;24(1):258. doi: 10.1186/s12859-023-05377-y.
2
Machine learning-guided covariate selection for time-to-event models developed from a small sample of real-world patients receiving bevacizumab treatment.基于接受贝伐珠单抗治疗的真实世界小样本患者开发的生存数据模型的机器学习引导协变量选择。
CPT Pharmacometrics Syst Pharmacol. 2022 Oct;11(10):1328-1340. doi: 10.1002/psp4.12848. Epub 2022 Aug 4.
3
Update to improve reproducibility and interpretability: A response to "Machine Learning for Tumor Growth Inhibition".

本文引用的文献

1
Application of Machine Learning for Tumor Growth Inhibition - Overall Survival Modeling Platform.机器学习在肿瘤生长抑制-总生存期建模平台中的应用。
CPT Pharmacometrics Syst Pharmacol. 2021 Jan;10(1):59-66. doi: 10.1002/psp4.12576. Epub 2020 Dec 13.
2
Using the Causal Inference Framework to Support Individualized Drug Treatment Decisions Based on Observational Healthcare Data.使用因果推断框架，基于观察性医疗保健数据支持个性化药物治疗决策。
Clin Epidemiol. 2020 Nov 2;12:1223-1234. doi: 10.2147/CLEP.S274466. eCollection 2020.
3
Predictive approaches to heterogeneous treatment effects: a scoping review.
为提高可重复性和可解释性而进行的更新：对《用于肿瘤生长抑制的机器学习》的回应
CPT Pharmacometrics Syst Pharmacol. 2022 Mar;11(3):262-263. doi: 10.1002/psp4.12760. Epub 2022 Jan 31.
预测异质治疗效果的方法：范围综述。
BMC Med Res Methodol. 2020 Oct 23;20(1):264. doi: 10.1186/s12874-020-01145-1.
4
A critical review of graphics for subgroup analyses in clinical trials.对临床试验亚组分析图表的批判性综述。
Pharm Stat. 2020 Sep;19(5):541-560. doi: 10.1002/pst.2012. Epub 2020 Mar 25.
5
Demonstrating Heterogeneity of Treatment Effects Among Patients: An Overlooked but Important Step Toward Precision Medicine.展示患者间治疗效果的异质性：迈向精准医学的被忽视但重要的一步。
Clin Pharmacol Ther. 2019 Jul;106(1):204-210. doi: 10.1002/cpt.1372. Epub 2019 Mar 12.
6
Model-Informed Drug Development: Current US Regulatory Practice and Future Considerations.模型引导药物研发：当前美国监管实践与未来考量
Clin Pharmacol Ther. 2019 Apr;105(4):899-911. doi: 10.1002/cpt.1363. Epub 2019 Mar 1.
7
Atezolizumab versus docetaxel in patients with previously treated non-small-cell lung cancer (OAK): a phase 3, open-label, multicentre randomised controlled trial.阿特珠单抗对比多西他赛用于既往治疗过的非小细胞肺癌患者（OAK）：一项3期、开放标签、多中心随机对照试验
Lancet. 2017 Jan 21;389(10066):255-265. doi: 10.1016/S0140-6736(16)32517-X. Epub 2016 Dec 13.