医疗变压器用于重症监护中的多式生存预测:图像和非图像数据的整合

科学领域:

• 人工智能在医学中的应用
• 多式联络深度学习多式联络深度学习
• 临床预后 临床预后

背景情况:

• 传统的机器学习模型通常使用单个数据模式 (成像或临床数据) 进行患者预后.
• 整合多模式患者数据可以提高重症监护中的预后模型的准确性.

研究的目的:

• 提出和评估基于变压器的神经网络,用于整合多模式患者数据 (胸部放射和临床数据).
• 评估模型在预测重症监护病人的住院生存率方面的表现.

主要方法:

• 开发一种基于变压器的新型神经网络架构.
• 整合成像数据 (胸部放射) 和非成像数据 (临床数据).
• 这是一项追溯性研究,涉及6125名重症监护室患者.

主要成果:

• 组合的多式模式模型实现了0.863的接收器操作特征曲线 (AUROC) 下的优越面积,用于预测住院生存率.
• 多模式模型显著优于仅使用放射图的模型 (AUROC = 0.811) 和仅使用临床数据的模型 (AUROC = 0.785).
• 即使没有完整的临床数据,所提出的模型也表现出了稳定性.

结论:

• 基于变压器的AI模型可以有效地整合多式联络患者数据,以提高重症监护中的预后准确性.
• 多模式数据集成在预测患者结果方面,与单模式方法相比,具有显著的优势.
• 开发的AI模型显示了强大的临床应用在重症监护机构的潜力.