一个基于多核和多尺度学习的深层组合模型,用于预测非小细胞肺癌的复发
Gihyeon Kim1, Young Mi Park2, Hyun Jung Yoon3
1Department of Computational Medicine, Graduate Program in System Health Science and Engineering, Ewha Womans University, Seoul, South Korea.
PeerJ. Computer science
|June 22, 2023
概括
这项研究引入了一个深度学习整体网络,以预测非小细胞肺癌 (NSCLC) 复发. 这种新的方法通过整合多尺度的2DCT图像数据来提高预测准确性,帮助个性化癌症治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在治疗前预测非小细胞肺癌 (NSCLC) 复发对于个性化医学至关重要.
- 深度学习,特别是卷积神经网络 (CNN),在癌症信息学和时间到事件预测方面表现有前途.
- 现有的CNN模型通常依赖于单个2DCT图像或3D卷,可能缺少有价值的信息.
研究的目的:
- 开发和评估一个基于深度学习的整体网络,用于预测NSCLC复发.
- 从多个2D CNN模型中利用多尺度输入和特征融合,以提高预测性能.
- 为了确定高风险的NSCLC患者的潜在辅助治疗策略.
主要方法:
- 使用了530名NSCLC患者的数据集.
- 设计了一个整体网络,集成多个2D CNN模型,具有不同的输入切片,尺度和卷积内核 (5x5和6x6).
- 基于深度学习的特征融合模型被用作整体策略.
主要成果:
- 拟议的整体网络的准确率为69.62%,AUC为72.5%,F1得分为70.12%,召回率为70.81%.
- 该模型在基准研究中与现有的2D和3D-CNN模型相比,显示出具有竞争力的性能.
- 整体方法有效地从多规模输入中捕获了局部和周围的特征.
结论:
- 开发的深度学习整体网络显示了准确的NSCLC复发预测的潜力.
- 这种方法可以提供比单片或单模型方法更全面的信息.
- 该模型可以作为一种潜在的工具来识别可能从辅助治疗中受益的NSCLC患者.
