基于模式的注意力和双流多个实例卷积神经网络用于预测肝细胞癌的微血管入侵

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 微血管入侵 (MVI) 是肝细胞癌 (HCC) 复发的关键预测因素.
• 准确的手术前MVI检测对于个性化手术规划和改善患者存活率至关重要.
• 目前的自动MVI检测方法有局限性,包括单片分析或对3D CNNs的高计算需求.

研究的目的:

• 开发和评估一种新的深度学习模型,以改善HCC中MVI的手术前检测.
• 通过结合多模态MRI数据和注意力机制来解决现有方法的局限性.

主要方法:

• 一项回顾性研究包括283名HCC患者,具有多模态MRI数据 (T2加权,动态阶段,ADC).
• 提出了一种双流多实例学习 (MIL) CNN与模式注意模块.
• 每个2DMRI切片都被嵌入,一个模式关注模块专注于在双流MIL聚合器聚合之前的重要序列.

主要成果:

• 拟议的方法实现了76.43%的准确性和74.22%的MVI预测AUC.
• 性能明显超过现有的基线方法.

结论:

• 开发的基于模式的注意力和双流MIL CNN显示了MVI预测的杰出性能.
• 这种方法为改善HCC手术前MVI诊断提供了一个有前途的工具.