in silico Клинические испытания

in silico Клиническое исследование , также известное как виртуальное клиническое исследование, представляет собой индивидуализированное компьютерное моделирование , используемое при разработке или нормативной оценке лекарственного продукта , устройства или вмешательства. Хотя полностью смоделированные клинические испытания невозможны при нынешних технологиях и понимании биологии, ожидается, что их разработка будет иметь значительные преимущества по сравнению с текущими клиническими испытаниями in vivo , и исследования по этому вопросу продолжаются.

История

Термин in silico обозначает любое использование компьютеров в клинических исследованиях, даже если оно ограничивается управлением клинической информацией в базе данных. ^[1]

Обоснование

Традиционная модель разработки медицинских методов лечения и устройств начинается с доклинической разработки . В лабораториях с помощью лабораторных экспериментов и других экспериментов in vitro устанавливается достоверность эффективности лечения. Затем in vivo модели на животных с участием разных видов дают рекомендации по эффективности и безопасности продукта для человека. Благодаря успеху исследований как in vitro, так и in vivo , ученые могут предложить провести клинические испытания, чтобы проверить, будет ли продукт доступен для людей. Клинические испытания часто делятся на четыре фазы. Фаза 3 предполагает тестирование большого количества людей. ^[2] Если лекарство не помогает на этом этапе, финансовые потери могут быть катастрофическими. ^[3]

Предсказать низкочастотные побочные эффекты было сложно, поскольку такие побочные эффекты не обязательно станут очевидными до тех пор, пока лечение не будет освоено многими пациентами. Появление серьезных побочных эффектов на третьей фазе часто приводит к остановке развития по этическим и экономическим причинам. ^[2]^[4]^[5] Кроме того, в последние годы многие лекарства-кандидаты не прошли испытания третьей фазы из-за недостаточной эффективности, а не из соображений безопасности. ^[2]^[3] Одна из причин неудач заключается в том, что традиционные исследования направлены на установление эффективности и безопасности для большинства субъектов, а не для отдельных субъектов, и поэтому эффективность определяется статистикой центральной тенденции исследования . Традиционные исследования не адаптируют лечение к ковариатам субъектов:

Учет таких факторов, как особенности физиологии пациента, индивидуальное проявление лечащего заболевания, образ жизни, наличие сопутствующих заболеваний. ^[4]^[6]
Соблюдение или отсутствие такового в приеме препарата в назначенное время и дозу. В случае имплантированного хирургическим путем устройства необходимо учитывать различия в опыте и технике хирургов, а также особенности анатомии пациента. ^[7] Однако скорректировать оценку исследования на предмет несоответствия оказалось сложно. Такие корректировки часто искажают результаты исследования, и поэтому многие органы здравоохранения требуют, чтобы клинические испытания анализировали данные в соответствии с принципом намерения лечить .

Цель

Точные компьютерные модели лечения и его применения, а также характеристики пациентов являются необходимыми предпосылками для разработки клинических исследований in silico . ^[5]^[6]^[8]^[9] В таком сценарии «виртуальным» пациентам будет предоставлено «виртуальное» лечение, что позволит наблюдать посредством компьютерного моделирования того, как работает биомедицинский продукт-кандидат и дает ли он желаемый эффект, не вызывая побочных эффектов. Такие клинические испытания in silico могут помочь сократить, уточнить и частично заменить реальные клинические испытания путем:

Сокращение размера и продолжительности клинических исследований за счет улучшения дизайна, ^[6]^[8] например, идентифицируя характеристики, чтобы определить, какие пациенты могут подвергаться большему риску осложнений, или предоставляя более раннее подтверждение того, что продукт ^[5] или процесс ^[10] работает как положено.
Уточнение клинических испытаний за счет более четкой и подробной информации о потенциальных результатах и большей объяснительной способности при интерпретации любых возможных побочных эффектов, а также лучшего понимания того, как тестируемый продукт взаимодействует с анатомией отдельного пациента, и прогнозирования долгосрочных или редких эффектов, которые могут возникнуть. клинические испытания вряд ли покажут. ^[9]
Частичная замена клинических исследований в тех ситуациях, когда это не является абсолютной нормативной необходимостью, а лишь законодательным требованием. Уже есть примеры, когда регулирующие органы согласились на замену животных моделей моделями in silico при соответствующих условиях. ^[11] Хотя реальные клинические испытания в большинстве случаев будут оставаться необходимыми, существуют определенные ситуации, когда надежная прогностическая модель может заменить рутинную клиническую оценку.

Кроме того, реальные клинические испытания могут указывать на то, что продукт небезопасен или неэффективен, но редко указывают, почему или предлагают, как его можно улучшить. Таким образом, от продукта, который не прошел клинические испытания, можно просто отказаться, даже если небольшая модификация решит проблему. Это душит инновации, ежегодно уменьшая количество действительно оригинальных биомедицинских продуктов, представленных на рынке, и в то же время увеличивая стоимость разработки. ^[12] Ожидается, что анализ посредством клинических испытаний in silico обеспечит лучшее понимание механизма, который привел к неудаче продукта в тестировании. ^[8]^[13] и может быть в состоянии предоставить информацию, которая может быть использована для усовершенствования продукта до такой степени, что он сможет успешно завершить клинические испытания.

Клинические испытания in silico также дадут значительные преимущества по сравнению с существующей доклинической практикой. В отличие от моделей животных, виртуальные модели человека можно использовать повторно бесконечно, что обеспечивает значительную экономию средств. По сравнению с испытаниями на животных или небольшой выборке людей, испытания in silico могут более эффективно прогнозировать поведение препарата или устройства в крупномасштабных испытаниях, выявляя побочные эффекты, которые ранее было трудно или невозможно обнаружить, помогая предотвратить появление неподходящих кандидатов. переходим к дорогостоящим исследованиям фазы 3. ^[12]

В радиологии

Одной из относительно хорошо развитых областей клинических исследований in silico является радиология, где весь процесс визуализации оцифрован. ^[14]^[15] Развитие ускорилось в последние годы благодаря росту мощности компьютеров и появлению более совершенных симуляционных моделей, и в настоящее время виртуальные платформы получают признание регулирующих органов в качестве дополнения к традиционным клиническим испытаниям для внедрения новых продуктов. ^[16]

Полная структура клинических исследований in silico в радиологии должна включать следующие три компонента: 1) Реалистичная популяция пациентов, которая моделируется на компьютере с использованием программных фантомов; 2) Моделируемый отклик системы визуализации; 3) Систематическая оценка изображения людьми или моделями-наблюдателями. ^[14]^[15]

Вычислительные фантомы для визуализации испытаний in silico требуют высокой степени реализма, поскольку изображения будут создаваться и оцениваться. На сегодняшний день наиболее реалистичными фантомами всего тела являются так называемые фантомы граничного представления (BREP), которые представляют собой поверхностные представления сегментированных трехмерных данных пациента (МРТ или КТ). ^[17] Подогнанные поверхности позволяют моделировать анатомические изменения или движения в дополнение к реалистичной анатомии. Существующие модели генерации внутриорганных структур основаны на математическом моделировании, изображениях пациентов или генеративно-состязательной сетью (GAN). моделировании изображений пациентов ^[16]^[18] Модели патологий важны для моделирования клинических приложений, направленных на конкретные заболевания. Современные модели основаны на сегментированных поражениях с улучшением структур, превышающих предел разрешения системы визуализации, с использованием цифровых моделей патологии или физиологического роста. ^[19] Модели GAN также использовались для моделирования заболеваний. ^[20] В дополнение к вышесказанному были разработаны модели движения органов и пациентов, кровотока и перфузии контрастного вещества .

Реакция системы визуализации обычно моделируется с помощью моделей Монте-Карло или систем трассировки лучей, сравниваемых с измерениями на физических фантомах. ^[21]^[22] Медицинская визуализация имеет долгую историю системного моделирования для разработки технологий, и для широкого спектра систем визуализации существуют как собственные, так и общедоступные модели.

Заключительным этапом исследования изображений in silico является систематическая оценка и интерпретация полученных изображений. Изображения могут оцениваться людьми аналогично обычному клиническому исследованию, но для того, чтобы исследование in silico было действительно эффективным, интерпретация изображений также должна быть автоматизирована. Для задач обнаружения и количественной оценки так называемые модели наблюдателей были тщательно изучены и проверены на людях-наблюдателях, а в литературе существует ряд моделей пространственных доменов. ^[23] Интерпретация изображений, основанная на глубоком обучении и искусственном интеллекте (ИИ), является активной областью исследований. ^[24] и может стать ценным подспорьем для радиолога при обнаружении отклонений от нормы или принятии решений. Применять наблюдателей ИИ в исследованиях in silico относительно просто, поскольку вся цепочка изображений оцифрована.

См. также

Ссылки

В эту статью включен текст , доступный по лицензии CC BY 4.0 .

^ Этот смысл термина использовался в 2011 году в позиционном документе Института VPH, комментирующем зеленую книгу , написанную перед запуском рамочной программы Европейской комиссии Horizon 2020 . Зеленый документ VPH
^ Jump up to: ^а ^б ^с Эрроусмит Дж., Миллер П. (август 2013 г.). «Пробное наблюдение: показатели отсева на этапах II и III в 2011–2012 годах» . Обзоры природы. Открытие наркотиков . 12 (8): 569. дои : 10.1038/nrd4090 . ПМИД 23903212 .
^ Jump up to: ^а ^б Миллиган П.А., Браун М.Дж., Марчант Б., Мартин С.В., ван дер Грааф П.Х., Бенсон Н. и др. (июнь 2013 г.). «Разработка лекарств на основе моделей: рациональный подход к эффективному ускорению разработки лекарств». Клиническая фармакология и терапия . 93 (6): 502–514. дои : 10.1038/clpt.2013.54 . ПМИД 23588322 . S2CID 29806156 .
^ Jump up to: ^а ^б Харниш Л., Шепард Т., Понс Дж., Делла Паскуа О. (февраль 2013 г.). «Моделирование и симуляция как инструмент для объединения данных об эффективности и безопасности в особых группах населения» . CPT: Фармакометрика и системная фармакология . 2 (2): е28. дои : 10.1038/psp.2013.6 . ПМЦ 3600759 . ПМИД 23835939 .
^ Jump up to: ^а ^б ^с Дэвис М.Р., Мистри Х.Б., Хусейн Л., Поллард С.Э., Валентин Дж.П., Суинтон Дж., Аби-Гергес Н. (апрель 2012 г.). «Модель продолжительности потенциала действия сердечного миокарда in silico у собак как инструмент ранней оценки безопасности лекарств». Американский журнал физиологии. Физиология сердца и кровообращения . 302 (7): H1466–H1480. дои : 10.1152/ajpheart.00808.2011 . ПМИД 22198175 .
^ Jump up to: ^а ^б ^с Хантер П., Чепмен Т., Ковени П.В., де Боно Б., Диас В., Феннер Дж. и др. (апрель 2013 г.). «Видение и стратегия виртуального физиологического человека: обновление 2012 года» . Фокус на интерфейсе . 3 (2): 20130004. doi : 10.1098/rsfs.2013.0004 . ПМЦ 3638492 . ПМИД 24427536 .
^ Вицеконти М., Аффатато С., Балеани М., Бордини Б., Кристофолини Л., Таддеи Ф. (январь 2009 г.). «Доклиническая проверка суставных протезов: системный подход». Журнал механического поведения биомедицинских материалов . 2 (1): 120–127. дои : 10.1016/j.jmbbm.2008.02.005 . ПМИД 19627814 .
^ Jump up to: ^а ^б ^с Эрдман А.Г., Киф Д.Ф., Шистл Р. (март 2013 г.). «Грандиозная задача: применение нормативной науки и больших данных для улучшения инноваций в области медицинского оборудования». Транзакции IEEE по биомедицинской инженерии . 60 (3): 700–706. дои : 10.1109/TBME.2013.2244600 . ПМИД 23380845 . S2CID 442791 .
^ Jump up to: ^а ^б Клермонт Дж., Бартельс Дж., Кумар Р., Константин Г., Водовоц Ю., Чоу К. (октябрь 2004 г.). «In silico дизайн клинических испытаний: метод, достигающий совершеннолетия». Медицина критических состояний . 32 (10): 2061–2070. дои : 10.1097/01.CCM.0000142394.28791.C3 . ПМИД 15483415 . S2CID 10952248 .
^ Агарвал Ю. (15 февраля 2019 г.). «Новые технологические прорывы в области здравоохранения для пациентов и шизофрении» . EHealthworld.com . Проверено 1 апреля 2019 г.
^ Ковачев Б.П., Бретон М., Ман К.Д., Кобелли К. (январь 2009 г.). «Доклинические испытания in silico: подтверждение концепции замкнутого цикла контроля диабета 1 типа» . Журнал науки и технологий о диабете . 3 (1): 44–55. дои : 10.1177/193229680900300106 . ПМЦ 2681269 . ПМИД 19444330 .
^ Jump up to: ^а ^б Вицеконти М., Морли-Флетчер Э., Хенни А., Контин М., Эль-Арифи К., МакГрегор С., Карлстром А., Уилкинсон Э. «Клинические испытания In Silico: как компьютерное моделирование преобразует биомедицинскую промышленность. Международная дорожная карта исследований и разработок для отраслевая инициатива» (PDF) . Авиценна-ISCT . Проект Авиценна . Проверено 1 июня 2015 г.
^ Манолис Э., Роху С., Хеммингс Р., Салмонсон Т., Карлссон М., Миллиган П.А. (февраль 2013 г.). «Роль моделирования и симуляции в разработке и регистрации лекарственных средств: результаты семинара EFPIA/EMA по моделированию и симуляции» . CPT: Фармакометрика и системная фармакология . 2 (2): е31. дои : 10.1038/psp.2013.7 . ПМК 3600760 . ПМИД 23835942 .
^ Jump up to: ^а ^б Абади Э., Сегарс В.П., Цуй Б.М., Кинахан П.Е., Боттенус Н., Франги А.Ф. и др. (июль 2020 г.). «Виртуальные клинические испытания в области медицинской визуализации: обзор» . Журнал медицинской визуализации . 7 (4): 042805. doi : 10.1117/1.JMI.7.4.042805 . ПМЦ 7148435 . ПМИД 32313817 .
^ Jump up to: ^а ^б Мейдмент Д.А. (2014). «Виртуальные клинические испытания по оценке новых методов скрининга молочной железы». В Фудзита Х., Хироши Х., Такеши М., Мурамацу С. (ред.). Визуализация груди . Конспекты лекций по информатике. Том. 8539. Чам: Springer International Publishing. стр. 1–8. дои : 10.1007/978-3-319-07887-8_1 . ISBN 978-3-319-07886-1 .
^ Jump up to: ^а ^б Глик С.Дж., Икеджимба LC (октябрь 2018 г.). «Достижения в области цифровых и физических антропоморфных фантомов груди для рентгеновской визуализации» . Медицинская физика . 45 (10): е870–е885. Бибкод : 2018MedPh..45E.870G . дои : 10.1002/mp.13110 . ПМИД 30058117 . S2CID 51865533 .
^ Сегарс В.П., Стерджен Дж., Мендонка С., Граймс Дж., Цуй Б.М. (сентябрь 2010 г.). «4D XCAT-фантом для исследований мультимодальной визуализации» . Медицинская физика . 37 (9): 4902–4915. Бибкод : 2010MedPh..37.4902S . дои : 10.1118/1.3480985 . ПМЦ 2941518 . ПМИД 20964209 .
^ Чанг И, Лафата К., Сегарс В.П., Инь Ф.Ф. , Рен Л. (март 2020 г.). «Разработка реалистичных многоконтрастных текстурированных фантомов XCAT (MT-XCAT) с использованием условно-генеративной состязательной сети с двойным дискриминатором (D-CGAN)» . Физика в медицине и биологии . 65 (6): 065009. Бибкод : 2020PMB....65f5009C . дои : 10.1088/1361-6560/ab7309 . ПМЦ 7252912 . ПМИД 32023555 .
^ Зауэр Т.Дж., Самей Э (14 марта 2019 г.). «Моделирование динамического прогрессирования повреждений на основе доступа к питательным веществам с использованием стохастических процессов». В Босманс Х., Чен Г.Х., Гилат Шмидт Т. (ред.). Медицинская визуализация 2019: Физика медицинской визуализации . Том. 10948. ШПИОН. стр. 1193–1200. Бибкод : 2019SPIE10948E..50S . дои : 10.1117/12.2513201 . ISBN 9781510625433 . S2CID 92553165 .
^ Зауэр Т.Дж., Ричардс Т.В., Баклер А.Дж., Дауберт М., Дуглас П., Сегарс В.П., Самей Э (16 марта 2020 г.). Босманс Х., Чен Дж.Х. (ред.). «Синтез физиологически обоснованных вычислительных бляшек коронарных артерий для использования в виртуальных клинических исследованиях (презентация на конференции)». Медицинская визуализация 2020: Физика медицинской визуализации . 11312 . ШПИОН: 113121X. дои : 10.1117/12.2550011 . ISBN 9781510633919 . S2CID 216439674 .
^ Бадал А., Бадано А (октябрь 2009 г.). «Моделирование рентгеновских изображений методом Монте-Карло с использованием графического процессора» . Протокол конференции симпозиума по ядерным наукам IEEE 2009 г. (NSS/MIC) . стр. 4081–4084. дои : 10.1109/NSSMIC.2009.5402382 . ISBN 978-1-4244-3961-4 . S2CID 9960455 .
^ ди Франко Ф., Сарно А., Меттивье Дж., Эрнандес А.М., Близнакова К., Бун Дж.М., Руссо П. (июнь 2020 г.). «Моделирование GEANT4 Монте-Карло для виртуальных клинических испытаний рентгеновской визуализации молочной железы: подтверждение концепции». Физика Медика . 74 : 133–142. дои : 10.1016/j.ejmp.2020.05.007 . ПМИД 32470909 . S2CID 219105424 .
^ Эбби С.К., Барретт Х.Х. (март 2001 г.). «Работа человека и модели-наблюдателя в шуме линейного спектра: эффекты регуляризации и изменчивости объекта» . Журнал Оптического общества Америки А. 18 (3): 473–488. Бибкод : 2001JOSAA..18..473A . дои : 10.1364/JOSAA.18.000473 . ПМЦ 2943344 . ПМИД 11265678 .
^ Раджкомар А., Дин Дж., Кохане I (апрель 2019 г.). «Машинное обучение в медицине». Медицинский журнал Новой Англии . 380 (14): 1347–1358. дои : 10.1056/NEJMra1814259 . ПМИД 30943338 . S2CID 92996321 .

Внешние ссылки

Сайт таверны Что такое эксперименты in-silico?
Воутури С., Никманеши М.Р., Хардин С.С., Патель А.Б., Верма А., Хандекар М.Дж. и др. (январь 2021 г.). «In silico динамика фенотипов COVID-19 для оптимизации клинического ведения» . Труды Национальной академии наук Соединенных Штатов Америки . 118 (3): e2021642118. Бибкод : 2021PNAS..11821642V . дои : 10.1073/pnas.2021642118 . ПМЦ 7826337 . ПМИД 33402434 .

[1] Этот смысл термина использовался в 2011 году в позиционном документе Института VPH, комментирующем зеленую книгу , написанную перед запуском рамочной программы Европейской комиссии Horizon 2020 . Зеленый документ VPH

[Trial_Watch-2] Jump up to: ^а ^б ^с Эрроусмит Дж., Миллер П. (август 2013 г.). «Пробное наблюдение: показатели отсева на этапах II и III в 2011–2012 годах» . Обзоры природы. Открытие наркотиков . 12 (8): 569. дои : 10.1038/nrd4090 . ПМИД 23903212 .

[Model-Based_Drug_Development-3] Jump up to: ^а ^б Миллиган П.А., Браун М.Дж., Марчант Б., Мартин С.В., ван дер Грааф П.Х., Бенсон Н. и др. (июнь 2013 г.). «Разработка лекарств на основе моделей: рациональный подход к эффективному ускорению разработки лекарств». Клиническая фармакология и терапия . 93 (6): 502–514. дои : 10.1038/clpt.2013.54 . ПМИД 23588322 . S2CID 29806156 .

[Modeling_and_Similation_as_a_tool._Harnisch-4] Jump up to: ^а ^б Харниш Л., Шепард Т., Понс Дж., Делла Паскуа О. (февраль 2013 г.). «Моделирование и симуляция как инструмент для объединения данных об эффективности и безопасности в особых группах населения» . CPT: Фармакометрика и системная фармакология . 2 (2): е28. дои : 10.1038/psp.2013.6 . ПМЦ 3600759 . ПМИД 23835939 .

[canine_cardiac_midmyocardial_model-5] Jump up to: ^а ^б ^с Дэвис М.Р., Мистри Х.Б., Хусейн Л., Поллард С.Э., Валентин Дж.П., Суинтон Дж., Аби-Гергес Н. (апрель 2012 г.). «Модель продолжительности потенциала действия сердечного миокарда in silico у собак как инструмент ранней оценки безопасности лекарств». Американский журнал физиологии. Физиология сердца и кровообращения . 302 (7): H1466–H1480. дои : 10.1152/ajpheart.00808.2011 . ПМИД 22198175 .

[A_Vision_and_Strategy_for_VPH._Hunter_et_al.-6] Jump up to: ^а ^б ^с Хантер П., Чепмен Т., Ковени П.В., де Боно Б., Диас В., Феннер Дж. и др. (апрель 2013 г.). «Видение и стратегия виртуального физиологического человека: обновление 2012 года» . Фокус на интерфейсе . 3 (2): 20130004. doi : 10.1098/rsfs.2013.0004 . ПМЦ 3638492 . ПМИД 24427536 .

[Pre-clinical_validation_of_joint_prostheses._Viceconti-7] Вицеконти М., Аффатато С., Балеани М., Бордини Б., Кристофолини Л., Таддеи Ф. (январь 2009 г.). «Доклиническая проверка суставных протезов: системный подход». Журнал механического поведения биомедицинских материалов . 2 (1): 120–127. дои : 10.1016/j.jmbbm.2008.02.005 . ПМИД 19627814 .

[Grand_Challenge:_Applying_Regulatory_Science_and_Big_Data_to_Improve_Medical_Device_Innovation._Erdman-8] Jump up to: ^а ^б ^с Эрдман А.Г., Киф Д.Ф., Шистл Р. (март 2013 г.). «Грандиозная задача: применение нормативной науки и больших данных для улучшения инноваций в области медицинского оборудования». Транзакции IEEE по биомедицинской инженерии . 60 (3): 700–706. дои : 10.1109/TBME.2013.2244600 . ПМИД 23380845 . S2CID 442791 .

[In_silico_design_of_clinical_trials.Clermont-9] Jump up to: ^а ^б Клермонт Дж., Бартельс Дж., Кумар Р., Константин Г., Водовоц Ю., Чоу К. (октябрь 2004 г.). «In silico дизайн клинических испытаний: метод, достигающий совершеннолетия». Медицина критических состояний . 32 (10): 2061–2070. дои : 10.1097/01.CCM.0000142394.28791.C3 . ПМИД 15483415 . S2CID 10952248 .

[insilco_Schizophrenia-10] Агарвал Ю. (15 февраля 2019 г.). «Новые технологические прорывы в области здравоохранения для пациентов и шизофрении» . EHealthworld.com . Проверено 1 апреля 2019 г.

[In_silico_preclinical_trials:_a_proof_of_concept_in_closed-loop_control_of_type_1_diabetes._Kovatchev-11] Ковачев Б.П., Бретон М., Ман К.Д., Кобелли К. (январь 2009 г.). «Доклинические испытания in silico: подтверждение концепции замкнутого цикла контроля диабета 1 типа» . Журнал науки и технологий о диабете . 3 (1): 44–55. дои : 10.1177/193229680900300106 . ПМЦ 2681269 . ПМИД 19444330 .

[Avicenna_Roadmap_2015_Viceconti-12] Jump up to: ^а ^б Вицеконти М., Морли-Флетчер Э., Хенни А., Контин М., Эль-Арифи К., МакГрегор С., Карлстром А., Уилкинсон Э. «Клинические испытания In Silico: как компьютерное моделирование преобразует биомедицинскую промышленность. Международная дорожная карта исследований и разработок для отраслевая инициатива» (PDF) . Авиценна-ISCT . Проект Авиценна . Проверено 1 июня 2015 г.

[The_Role_of_Modeling_and_Simulation_in_Development_and_Registration_of_Medicinal_Products:_Output_From_the_EFPIA/EMA_Modeling_and_Simulation_Workshop._Manolis-13] Манолис Э., Роху С., Хеммингс Р., Салмонсон Т., Карлссон М., Миллиган П.А. (февраль 2013 г.). «Роль моделирования и симуляции в разработке и регистрации лекарственных средств: результаты семинара EFPIA/EMA по моделированию и симуляции» . CPT: Фармакометрика и системная фармакология . 2 (2): е31. дои : 10.1038/psp.2013.7 . ПМК 3600760 . ПМИД 23835942 .

[:0-14] Jump up to: ^а ^б Абади Э., Сегарс В.П., Цуй Б.М., Кинахан П.Е., Боттенус Н., Франги А.Ф. и др. (июль 2020 г.). «Виртуальные клинические испытания в области медицинской визуализации: обзор» . Журнал медицинской визуализации . 7 (4): 042805. doi : 10.1117/1.JMI.7.4.042805 . ПМЦ 7148435 . ПМИД 32313817 .

[:1-15] Jump up to: ^а ^б Мейдмент Д.А. (2014). «Виртуальные клинические испытания по оценке новых методов скрининга молочной железы». В Фудзита Х., Хироши Х., Такеши М., Мурамацу С. (ред.). Визуализация груди . Конспекты лекций по информатике. Том. 8539. Чам: Springer International Publishing. стр. 1–8. дои : 10.1007/978-3-319-07887-8_1 . ISBN 978-3-319-07886-1 .

[:2-16] Jump up to: ^а ^б Глик С.Дж., Икеджимба LC (октябрь 2018 г.). «Достижения в области цифровых и физических антропоморфных фантомов груди для рентгеновской визуализации» . Медицинская физика . 45 (10): е870–е885. Бибкод : 2018MedPh..45E.870G . дои : 10.1002/mp.13110 . ПМИД 30058117 . S2CID 51865533 .

[17] Сегарс В.П., Стерджен Дж., Мендонка С., Граймс Дж., Цуй Б.М. (сентябрь 2010 г.). «4D XCAT-фантом для исследований мультимодальной визуализации» . Медицинская физика . 37 (9): 4902–4915. Бибкод : 2010MedPh..37.4902S . дои : 10.1118/1.3480985 . ПМЦ 2941518 . ПМИД 20964209 .

[18] Чанг И, Лафата К., Сегарс В.П., Инь Ф.Ф. , Рен Л. (март 2020 г.). «Разработка реалистичных многоконтрастных текстурированных фантомов XCAT (MT-XCAT) с использованием условно-генеративной состязательной сети с двойным дискриминатором (D-CGAN)» . Физика в медицине и биологии . 65 (6): 065009. Бибкод : 2020PMB....65f5009C . дои : 10.1088/1361-6560/ab7309 . ПМЦ 7252912 . ПМИД 32023555 .

[19] Зауэр Т.Дж., Самей Э (14 марта 2019 г.). «Моделирование динамического прогрессирования повреждений на основе доступа к питательным веществам с использованием стохастических процессов». В Босманс Х., Чен Г.Х., Гилат Шмидт Т. (ред.). Медицинская визуализация 2019: Физика медицинской визуализации . Том. 10948. ШПИОН. стр. 1193–1200. Бибкод : 2019SPIE10948E..50S . дои : 10.1117/12.2513201 . ISBN 9781510625433 . S2CID 92553165 .

[20] Зауэр Т.Дж., Ричардс Т.В., Баклер А.Дж., Дауберт М., Дуглас П., Сегарс В.П., Самей Э (16 марта 2020 г.). Босманс Х., Чен Дж.Х. (ред.). «Синтез физиологически обоснованных вычислительных бляшек коронарных артерий для использования в виртуальных клинических исследованиях (презентация на конференции)». Медицинская визуализация 2020: Физика медицинской визуализации . 11312 . ШПИОН: 113121X. дои : 10.1117/12.2550011 . ISBN 9781510633919 . S2CID 216439674 .

[21] Бадал А., Бадано А (октябрь 2009 г.). «Моделирование рентгеновских изображений методом Монте-Карло с использованием графического процессора» . Протокол конференции симпозиума по ядерным наукам IEEE 2009 г. (NSS/MIC) . стр. 4081–4084. дои : 10.1109/NSSMIC.2009.5402382 . ISBN 978-1-4244-3961-4 . S2CID 9960455 .

[22] ди Франко Ф., Сарно А., Меттивье Дж., Эрнандес А.М., Близнакова К., Бун Дж.М., Руссо П. (июнь 2020 г.). «Моделирование GEANT4 Монте-Карло для виртуальных клинических испытаний рентгеновской визуализации молочной железы: подтверждение концепции». Физика Медика . 74 : 133–142. дои : 10.1016/j.ejmp.2020.05.007 . ПМИД 32470909 . S2CID 219105424 .

[23] Эбби С.К., Барретт Х.Х. (март 2001 г.). «Работа человека и модели-наблюдателя в шуме линейного спектра: эффекты регуляризации и изменчивости объекта» . Журнал Оптического общества Америки А. 18 (3): 473–488. Бибкод : 2001JOSAA..18..473A . дои : 10.1364/JOSAA.18.000473 . ПМЦ 2943344 . ПМИД 11265678 .

[24] Раджкомар А., Дин Дж., Кохане I (апрель 2019 г.). «Машинное обучение в медицине». Медицинский журнал Новой Англии . 380 (14): 1347–1358. дои : 10.1056/NEJMra1814259 . ПМИД 30943338 . S2CID 92996321 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]