ScholarMate
English简体中文繁體中文
客服热线:400-1616-289
登录注册
期刊论文

A Longitudinal MRI-Based Artificial Intelligence System to Predict Pathological Complete Response After Neoadjuvant Therapy in Rectal Cancer: A Multicenter Validation Study

Ke, Jia; Jin, Cheng; Tang, Jinghua; Cao, Haimei; He, Songbing; Ding, Peirong; Jiang, Xiaofeng; Zhao, Hengyu; Cao, Wuteng; Meng, Xiaochun; Gao, Feng; Lan, Ping; Li, Ruijiang*; Wu, Xiaojian*南方医科大学; 上海交通大学; 苏州大学; 中山大学; 6; 1
Diseases of the Colon and Rectum2023-12DOI: 10.1097/DCR.0000000000002931
14阅读
引用收藏
分享

摘要

BACKGROUND:Accurate prediction of response to neoadjuvant chemoradiotherapy is critical for subsequent treatment decisions for patients with locally advanced rectal cancer.OBJECTIVE:To develop and validate a deep learning model based on the comparison of paired MRI before and after neoadjuvant chemoradiotherapy to predict pathological complete response.DESIGN:By capturing the changes from MRI before and after neoadjuvant chemoradiotherapy in 638 patients, we trained a multitask deep learning model for response prediction (DeepRP-RC) that also allowed simultaneous segmentation. Its performance was independently tested in an internal and 3 external validation sets, and its prognostic value was also evaluated.SETTINGS:Multicenter study.PATIENTS:We retrospectively enrolled 1201 patients diagnosed with locally advanced rectal cancer who underwent neoadjuvant chemoradiotherapy before total mesorectal excision. Patients had been treated at 1 of 4 hospitals in China between January 2013 and December 2020.MAIN OUTCOME MEASURES:The main outcome was the accuracy of predicting pathological complete response, measured as the area under receiver operating curve for the training and validation data sets.RESULTS:DeepRP-RC achieved high performance in predicting pathological complete response after neoadjuvant chemoradiotherapy, with area under the curve values of 0.969 (0.942-0.996), 0.946 (0.915-0.977), 0.943 (0.888-0.998), and 0.919 (0.840-0.997) for the internal and 3 external validation sets, respectively. DeepRP-RC performed similarly well in the subgroups defined by receipt of radiotherapy, tumor location, T/N stages before and after neoadjuvant chemoradiotherapy, and age. Compared with experienced radiologists, the model showed substantially higher performance in pathological complete response prediction. The model was also highly accurate in identifying the patients with poor response. Furthermore, the model was significantly associated with disease-free survival independent of clinicopathological variables.LIMITATIONS:This study was limited by its retrospective design and absence of multiethnic data.CONCLUSIONS:DeepRP-RC could be an accurate preoperative tool for pathological complete response prediction in rectal cancer after neoadjuvant chemoradiotherapy.UN SISTEMA DE IA BASADO EN RESONANCIA MAGNeTICA LONGITUDINAL PARA PREDECIR LA RESPUESTA PATOL & Oacute; GICA COMPLETA DESPUeS DE LA TERAPIA NEOADYUVANTE EN EL CaNCER DE RECTO: UN ESTUDIO DE VALIDACI & Oacute; N MULTICeNTRICOANTECEDENTES:La prediccion precisa de la respuesta a la quimiorradioterapia neoadyuvante es fundamental para las decisiones de tratamiento posteriores para los pacientes con cancer de recto localmente avanzado.OBJETIVO:Desarrollar y validar un modelo de aprendizaje profundo basado en la comparacion de resonancias magneticas pareadas antes y despues de la quimiorradioterapia neoadyuvante para predecir la respuesta patologica completa.DISENO:Al capturar los cambios de las imagenes de resonancia magnetica antes y despues de la quimiorradioterapia neoadyuvante en 638 pacientes, entrenamos un modelo de aprendizaje profundo multitarea para la prediccion de respuesta (DeepRP-RC) que tambien permitio la segmentacion simultanea. Su rendimiento se probo de forma independiente en un conjunto de validacion interna y tres externas, y tambien se evaluo su valor pronostico.ESCENARIO:Estudio multicentrico. @@@ PACIENTES:Volvimos a incluir retrospectivamente a 1201 pacientes diagnosticados con cancer de recto localmente avanzado y sometidos a quimiorradioterapia neoadyuvante antes de la escision total del mesorrecto. Eran de cuatro hospitales en China en el periodo entre enero de 2013 y diciembre de 2020.PRINCIPALES MEDIDAS DE RESULTADO:Los principales resultados fueron la precision de la prediccion de la respuesta patologica completa, medida como el area bajo la curva operativa del receptor para los conjuntos de datos de entrenamiento y validacion.RESULTADOS:DeepRP-RC logro un alto rendimiento en la prediccion de la respuesta patologica completa despues de la quimiorradioterapia neoadyuvante, con valores de area bajo la curva de 0,969 (0,942-0,996), 0,946 (0,915-0,977), 0,943 (0,888-0,998), y 0,919 (0,840-0,997) para los conjuntos de validacion interna y las tres externas, respectivamente. DeepRP-RC se desempeno de manera similar en los subgrupos definidos por la recepcion de radioterapia, la ubicacion del tumor, los estadios T/N antes y despues de la quimiorradioterapia neoadyuvante y la edad. En comparacion con los radiologos experimentados, el modelo mostro un rendimiento sustancialmente mayor en la prediccion de la respuesta patologica completa. El modelo tambien fue muy preciso en la identificacion de los pacientes con mala respuesta. Ademas, el modelo se asocio significativamente con la supervivencia libre de enfermedad independientemente de las variables clinicopatologicas.LIMITACIONES:Este estudio estuvo limitado por el diseno retrospectivo y la ausencia de datos multietnicos.CONCLUSIONES:DeepRP-RC podria servir como una herramienta preoperatoria precisa para la prediccion de la respuesta patologica completa en el cancer de recto despues de la quimiorradioterapia neoadyuvante. (Traduccion-Dr. Felipe Bellolio)UN SISTEMA DE IA BASADO EN RESONANCIA MAGNeTICA LONGITUDINAL PARA PREDECIR LA RESPUESTA PATOL & Oacute; GICA COMPLETA DESPUeS DE LA TERAPIA NEOADYUVANTE EN EL CaNCER DE RECTO: UN ESTUDIO DE VALIDACI & Oacute; N MULTICeNTRICOANTECEDENTES:La prediccion precisa de la respuesta a la quimiorradioterapia neoadyuvante es fundamental para las decisiones de tratamiento posteriores para los pacientes con cancer de recto localmente avanzado.OBJETIVO:Desarrollar y validar un modelo de aprendizaje profundo basado en la comparacion de resonancias magneticas pareadas antes y despues de la quimiorradioterapia neoadyuvante para predecir la respuesta patologica completa.DISENO:Al capturar los cambios de las imagenes de resonancia magnetica antes y despues de la quimiorradioterapia neoadyuvante en 638 pacientes, entrenamos un modelo de aprendizaje profundo multitarea para la prediccion de respuesta (DeepRP-RC) que tambien permitio la segmentacion simultanea. Su rendimiento se probo de forma independiente en un conjunto de validacion interna y tres externas, y tambien se evaluo su valor pronostico.ESCENARIO:Estudio multicentrico.PACIENTES:Volvimos a incluir retrospectivamente a 1201 pacientes diagnosticados con cancer de recto localmente avanzado y sometidos a quimiorradioterapia neoadyuvante antes de la escision total del mesorrecto. Eran de cuatro hospitales en China en el periodo entre enero de 2013 y diciembre de 2020.PRINCIPALES MEDIDAS DE RESULTADO:Los principales resultados fueron la precision de la prediccion de la respuesta patologica completa, medida como el area bajo la curva operativa del receptor para los conjuntos de datos de entrenamiento y validacion. @@@ RESULTADOS:DeepRP-RC logro un alto rendimiento en la prediccion de la respuesta patologica completa despues de la quimiorradioterapia neoadyuvante, con valores de area bajo la curva de 0,969 (0,942-0,996), 0,946 (0,915-0,977), 0,943 (0,888-0,998), y 0,919 (0,840-0,997) para los conjuntos de validacion interna y las tres externas, respectivamente. DeepRP-RC se desempeno de manera similar en los subgrupos definidos por la recepcion de radioterapia, la ubicacion del tumor, los estadios T/N antes y despues de la quimiorradioterapia neoadyuvante y la edad. En comparacion con los radiologos experimentados, el modelo mostro un rendimiento sustancialmente mayor en la prediccion de la respuesta patologica completa. El modelo tambien fue muy preciso en la identificacion de los pacientes con mala respuesta. Ademas, el modelo se asocio significativamente con la supervivencia libre de enfermedad independientemente de las variables clinicopatologicas.LIMITACIONES:Este estudio estuvo limitado por el diseno retrospectivo y la ausencia de datos multietnicos.CONCLUSIONES:DeepRP-RC podria servir como una herramienta preoperatoria precisa para la prediccion de la respuesta patologica completa en el cancer de recto despues de la quimiorradioterapia neoadyuvante. (Traduccion-Dr. Felipe Bellolio)UN SISTEMA DE IA BASADO EN RESONANCIA MAGNeTICA LONGITUDINAL PARA PREDECIR LA RESPUESTA PATOL & Oacute; GICA COMPLETA DESPUeS DE LA TERAPIA NEOADYUVANTE EN EL CaNCER DE RECTO: UN ESTUDIO DE VALIDACI & Oacute; N MULTICeNTRICOANTECEDENTES:La prediccion precisa de la respuesta a la quimiorradioterapia neoadyuvante es fundamental para las decisiones de tratamiento posteriores para los pacientes con cancer de recto localmente avanzado.OBJETIVO:Desarrollar y validar un modelo de aprendizaje profundo basado en la comparacion de resonancias magneticas pareadas antes y despues de la quimiorradioterapia neoadyuvante para predecir la respuesta patologica completa.DISENO:Al capturar los cambios de las imagenes de resonancia magnetica antes y despues de la quimiorradioterapia neoadyuvante en 638 pacientes, entrenamos un modelo de aprendizaje profundo multitarea para la prediccion de respuesta (DeepRP-RC) que tambien permitio la segmentacion simultanea. Su rendimiento se probo de forma independiente en un conjunto de validacion interna y tres externas, y tambien se evaluo su valor pronostico.ESCENARIO:Estudio multicentrico.PACIENTES:Volvimos a incluir retrospectivamente a 1201 pacientes diagnosticados con cancer de recto localmente avanzado y sometidos a quimiorradioterapia neoadyuvante antes de la escision total del mesorrecto. Eran de cuatro hospitales en China en el periodo entre enero de 2013 y diciembre de 2020.PRINCIPALES MEDIDAS DE RESULTADO:Los principales resultados fueron la precision de la prediccion de la respuesta patologica completa, medida como el area bajo la curva operativa del receptor para los conjuntos de datos de entrenamiento y validacion.RESULTADOS:DeepRP-RC logro un alto rendimiento en la prediccion de la respuesta patologica completa despues de la quimiorradioterapia neoadyuvante, con valores de area bajo la curva de 0,969 (0,942-0,996), 0,946 (0,915-0,977), 0,943 (0,888-0,998), y 0,919 (0,840-0,997) para los conjuntos de validacion interna y las tres externas, respectivamente. DeepRP-RC se desempeno de manera similar en los subgrupos definidos por la recepcion de radioterapia, la ubicacion del tumor, los estadios T/N antes y despues de la quimiorradioterapia neoadyuvante y la edad. @@@ En comparacion con los radiologos experimentados, el modelo mostro un rendimiento sustancialmente mayor en la prediccion de la respuesta patologica completa. El modelo tambien fue muy preciso en la identificacion de los pacientes con mala respuesta. Ademas, el modelo se asocio significativamente con la supervivencia libre de enfermedad independientemente de las variables clinicopatologicas.LIMITACIONES:Este estudio estuvo limitado por el diseno retrospectivo y la ausencia de datos multietnicos.CONCLUSIONES:DeepRP-RC podria servir como una herramienta preoperatoria precisa para la prediccion de la respuesta patologica completa en el cancer de recto despues de la quimiorradioterapia neoadyuvante. (Traduccion-Dr. Felipe Bellolio)UN SISTEMA DE IA BASADO EN RESONANCIA MAGNeTICA LONGITUDINAL PARA PREDECIR LA RESPUESTA PATOL & Oacute; GICA COMPLETA DESPUeS DE LA TERAPIA NEOADYUVANTE EN EL CaNCER DE RECTO: UN ESTUDIO DE VALIDACI & Oacute; N MULTICeNTRICOANTECEDENTES:La prediccion precisa de la respuesta a la quimiorradioterapia neoadyuvante es fundamental para las decisiones de tratamiento posteriores para los pacientes con cancer de recto localmente avanzado.OBJETIVO:Desarrollar y validar un modelo de aprendizaje profundo basado en la comparacion de resonancias magneticas pareadas antes y despues de la quimiorradioterapia neoadyuvante para predecir la respuesta patologica completa.DISENO:Al capturar los cambios de las imagenes de resonancia magnetica antes y despues de la quimiorradioterapia neoadyuvante en 638 pacientes, entrenamos un modelo de aprendizaje profundo multitarea para la prediccion de respuesta (DeepRP-RC) que tambien permitio la segmentacion simultanea. Su rendimiento se probo de forma independiente en un conjunto de validacion interna y tres externas, y tambien se evaluo su valor pronostico.ESCENARIO:Estudio multicentrico.PACIENTES:Volvimos a incluir retrospectivamente a 1201 pacientes diagnosticados con cancer de recto localmente avanzado y sometidos a quimiorradioterapia neoadyuvante antes de la escision total del mesorrecto. Eran de cuatro hospitales en China en el periodo entre enero de 2013 y diciembre de 2020.PRINCIPALES MEDIDAS DE RESULTADO:Los principales resultados fueron la precision de la prediccion de la respuesta patologica completa, medida como el area bajo la curva operativa del receptor para los conjuntos de datos de entrenamiento y validacion.RESULTADOS:DeepRP-RC logro un alto rendimiento en la prediccion de la respuesta patologica completa despues de la quimiorradioterapia neoadyuvante, con valores de area bajo la curva de 0,969 (0,942-0,996), 0,946 (0,915-0,977), 0,943 (0,888-0,998), y 0,919 (0,840-0,997) para los conjuntos de validacion interna y las tres externas, respectivamente. DeepRP-RC se desempeno de manera similar en los subgrupos definidos por la recepcion de radioterapia, la ubicacion del tumor, los estadios T/N antes y despues de la quimiorradioterapia neoadyuvante y la edad. En comparacion con los radiologos experimentados, el modelo mostro un rendimiento sustancialmente mayor en la prediccion de la respuesta patologica completa. El modelo tambien fue muy preciso en la identificacion de los pacientes con mala respuesta. Ademas, el modelo se asocio significativamente con la supervivencia libre de enfermedad independientemente de las variables clinicopatologicas.LIMITACIONES:Este estudio estuvo limitado por el diseno retrospectivo y la ausencia de datos multietnicos. @@@ CONCLUSIONES:DeepRP-RC podria servir como una herramienta preoperatoria precisa para la prediccion de la respuesta patologica completa en el cancer de recto despues de la quimiorradioterapia neoadyuvante. (Traduccion-Dr. Felipe Bellolio)UN SISTEMA DE IA BASADO EN RESONANCIA MAGNeTICA LONGITUDINAL PARA PREDECIR LA RESPUESTA PATOL & Oacute; GICA COMPLETA DESPUeS DE LA TERAPIA NEOADYUVANTE EN EL CaNCER DE RECTO: UN ESTUDIO DE VALIDACI & Oacute; N MULTICeNTRICOANTECEDENTES:La prediccion precisa de la respuesta a la quimiorradioterapia neoadyuvante es fundamental para las decisiones de tratamiento posteriores para los pacientes con cancer de recto localmente avanzado.OBJETIVO:Desarrollar y validar un modelo de aprendizaje profundo basado en la comparacion de resonancias magneticas pareadas antes y despues de la quimiorradioterapia neoadyuvante para predecir la respuesta patologica completa.DISENO:Al capturar los cambios de las imagenes de resonancia magnetica antes y despues de la quimiorradioterapia neoadyuvante en 638 pacientes, entrenamos un modelo de aprendizaje profundo multitarea para la prediccion de respuesta (DeepRP-RC) que tambien permitio la segmentacion simultanea. Su rendimiento se probo de forma independiente en un conjunto de validacion interna y tres externas, y tambien se evaluo su valor pronostico.ESCENARIO:Estudio multicentrico.PACIENTES:Volvimos a incluir retrospectivamente a 1201 pacientes diagnosticados con cancer de recto localmente avanzado y sometidos a quimiorradioterapia neoadyuvante antes de la escision total del mesorrecto. Eran de cuatro hospitales en China en el periodo entre enero de 2013 y diciembre de 2020.PRINCIPALES MEDIDAS DE RESULTADO:Los principales resultados fueron la precision de la prediccion de la respuesta patologica completa, medida como el area bajo la curva operativa del receptor para los conjuntos de datos de entrenamiento y validacion.RESULTADOS:DeepRP-RC logro un alto rendimiento en la prediccion de la respuesta patologica completa despues de la quimiorradioterapia neoadyuvante, con valores de area bajo la curva de 0,969 (0,942-0,996), 0,946 (0,915-0,977), 0,943 (0,888-0,998), y 0,919 (0,840-0,997) para los conjuntos de validacion interna y las tres externas, respectivamente. DeepRP-RC se desempeno de manera similar en los subgrupos definidos por la recepcion de radioterapia, la ubicacion del tumor, los estadios T/N antes y despues de la quimiorradioterapia neoadyuvante y la edad. En comparacion con los radiologos experimentados, el modelo mostro un rendimiento sustancialmente mayor en la prediccion de la respuesta patologica completa. El modelo tambien fue muy preciso en la identificacion de los pacientes con mala respuesta. Ademas, el modelo se asocio significativamente con la supervivencia libre de enfermedad independientemente de las variables clinicopatologicas.LIMITACIONES:Este estudio estuvo limitado por el diseno retrospectivo y la ausencia de datos multietnicos.CONCLUSIONES:DeepRP-RC podria servir como una herramienta preoperatoria precisa para la prediccion de la respuesta patologica completa en el cancer de recto despues de la quimiorradioterapia neoadyuvante. (Traduccion-Dr. @@@ Felipe Bellolio)UN SISTEMA DE IA BASADO EN RESONANCIA MAGNeTICA LONGITUDINAL PARA PREDECIR LA RESPUESTA PATOL & Oacute; GICA COMPLETA DESPUeS DE LA TERAPIA NEOADYUVANTE EN EL CaNCER DE RECTO: UN ESTUDIO DE VALIDACI & Oacute; N MULTICeNTRICOANTECEDENTES:La prediccion precisa de la respuesta a la quimiorradioterapia neoadyuvante es fundamental para las decisiones de tratamiento posteriores para los pacientes con cancer de recto localmente avanzado.OBJETIVO:Desarrollar y validar un modelo de aprendizaje profundo basado en la comparacion de resonancias magneticas pareadas antes y despues de la quimiorradioterapia neoadyuvante para predecir la respuesta patologica completa.DISENO:Al capturar los cambios de las imagenes de resonancia magnetica antes y despues de la quimiorradioterapia neoadyuvante en 638 pacientes, entrenamos un modelo de aprendizaje profundo multitarea para la prediccion de respuesta (DeepRP-RC) que tambien permitio la segmentacion simultanea. Su rendimiento se probo de forma independiente en un conjunto de validacion interna y tres externas, y tambien se evaluo su valor pronostico.ESCENARIO:Estudio multicentrico.PACIENTES:Volvimos a incluir retrospectivamente a 1201 pacientes diagnosticados con cancer de recto localmente avanzado y sometidos a quimiorradioterapia neoadyuvante antes de la escision total del mesorrecto. Eran de cuatro hospitales en China en el periodo entre enero de 2013 y diciembre de 2020.PRINCIPALES MEDIDAS DE RESULTADO:Los principales resultados fueron la precision de la prediccion de la respuesta patologica completa, medida como el area bajo la curva operativa del receptor para los conjuntos de datos de entrenamiento y validacion.RESULTADOS:DeepRP-RC logro un alto rendimiento en la prediccion de la respuesta patologica completa despues de la quimiorradioterapia neoadyuvante, con valores de area bajo la curva de 0,969 (0,942-0,996), 0,946 (0,915-0,977), 0,943 (0,888-0,998), y 0,919 (0,840-0,997) para los conjuntos de validacion interna y las tres externas, respectivamente. DeepRP-RC se desempeno de manera similar en los subgrupos definidos por la recepcion de radioterapia, la ubicacion del tumor, los estadios T/N antes y despues de la quimiorradioterapia neoadyuvante y la edad. En comparacion con los radiologos experimentados, el modelo mostro un rendimiento sustancialmente mayor en la prediccion de la respuesta patologica completa. El modelo tambien fue muy preciso en la identificacion de los pacientes con mala respuesta. Ademas, el modelo se asocio significativamente con la supervivencia libre de enfermedad independientemente de las variables clinicopatologicas.LIMITACIONES:Este estudio estuvo limitado por el diseno retrospectivo y la ausencia de datos multietnicos.CONCLUSIONES:DeepRP-RC podria servir como una herramienta preo

学科与关键词

关键词
Artificial intelligenceLongitudinal MRINeoadjuvant chemoradiotherapyPathological complete responseRectal cancer
相关
加载中…
  • Development and validation of a radiopathomics model to predict pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer: a multicentre observational study
    Feng, Lili; Liu, Zhenyu; Li, Chaofeng; Li, Zhenhui; Lou, Xiaoying; Shao, Lizhi; Wang, Yunlong; Huang, Yan; Chen, Haiyang; Pang, Xiaolin; Liu, Shuai; He, Fang; Zheng, Jian; Meng, Xiaochun; Xie, Peiyi; Yang, Guanyu; Ding, Yi; Wei, Mingbiao; Yun, Jingping; Hung, Mien-Chie; Zhou, Weihua; Wahl, Dantel R.; Lan, Ping; Tian, Jie*; Wan, Xiangbo*Lancet Digital Health, 2022, 4(1): E8-E17.被引 66
  • Treatment response prediction of neoadjuvant chemotherapy for rectal cancer by deep learning of colonoscopy images
    Kato, Shinya; Miyoshi, Norikatsu*; Fujino, Shiki; Minami, Soichiro; Nagae, Ayumi; Hayashi, Rie; Sekido, Yuki; Hata, Tsuyoshi; Hamabe, Atsushi; Ogino, Takayuki; Tei, Mitsuyoshi; Kagawa, Yoshinori; Takahashi, Hidekazu; Uemura, Mamoru; Yamamoto, Hirofumi; Doki, Yuichiro; Eguchi, HidetoshiOncology Letters, 2023, 26(5): 474.被引 1
  • A Comprehensive Prediction Model Based on MRI Radiomics and Clinical Factors to Predict Tumor Response After Neoadjuvant Chemoradiotherapy in Rectal Cancer
    Jiang, Hao; Guo, Wei; Yu, Zhuo; Lin, Xue; Zhang, Mingyu; Jiang, Huijie; Zhang, Hongxia; Sun, Zhongqi; Li, Jinping; Yu, Yanyan; Zhao, Sheng; Hu, HongboACADEMIC RADIOLOGY, 2023, 30: S185-S198.被引 2
查看全部 →

发表信息

论文状态
公开发表
期刊
Diseases of the Colon and Rectum
发表日期
2023-12
卷期
第 66 卷, 第 12 期
页码
E1195-E1206
DOI
10.1097/DCR.0000000000002931
语言
ENGLISH
成果收录
SCIE
资助标注
National Natural Science Foundation of China [81970452, 81972212, 81770656]; Sun Yat-Sen University Clinical Research 5010 Program [2019022]

作者

  • K

    Ke, Jia (第一作者)

    6 · sun yat sen univ

  • J

    Jin, Cheng

    shanghai jiao tong univ

查看全部 14 位作者收起作者
  • T

    Tang, Jinghua

    sun yat sen univ

  • C

    Cao, Haimei

    southern med univ

  • H

    He, Songbing

    1 · soochow univ

  • D

    Ding, Peirong

    sun yat sen univ

  • J

    Jiang, Xiaofeng

    6 · sun yat sen univ

  • Z

    Zhao, Hengyu

    6 · sun yat sen univ

  • C

    Cao, Wuteng

    6 · sun yat sen univ

  • M

    Meng, Xiaochun

    6 · sun yat sen univ

  • G

    Gao, Feng

    6 · sun yat sen univ

  • L

    Lan, Ping

    6 · sun yat sen univ

  • L

    Li, Ruijiang (通讯)

  • W

    Wu, Xiaojian (通讯)

    6 · sun yat sen univ

登录解锁更多功能

  • 收藏这篇,随时在“我的 · 收藏”找回
  • 认领你的成果,生成推广素材
  • 关注作者获取最新成果
  • 加入项目组、协同写作
注册 / 登录

产品服务

  • 科研之友
  • 创新城
  • 科创云

服务支持

  • 帮助中心
  • 隐私政策
  • 服务条款

联系方式

在线客服:【】
客服热线:400-1616-289
电子邮箱:support@scholarmate.com

关注或下载科研之友

微信二维码
微信公众号
客户端下载二维码
下载客户端
科研成果科研人员科研机构科研动态爱瑞思软件

©2026 深圳市科研之友网络服务有限公司

公安备案图标粤公网安备 44030502000213
粤ICP备 16046710 号粤B2-20110417