通过图表规范化NMF学习常见和特定任务的放射性特征,用于共同预测乳腺癌多个临床指标
IEEE journal of biomedical and health informatics
|August 7, 2023
概括
这项研究引入了一种新的机器学习方法,CTFGNMF,用于使用MRI放射学诊断乳腺癌. 它通过学习共同和特定特征,准确预测多种临床指标,改善患者评估.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 核磁共振成像的放射性分析有助于诊断乳腺癌,预后和治疗.
- 现有的机器学习方法往往忽略了临床标签中的噪音或冗余信息.
- 多个指标的联合预测可以提高评估准确性.
研究的目的:
- 开发一种新的多标签学习方法,用于共同预测乳腺癌指标.
- 通过减少标签空间维度和学习共享和独特特征来解决当前方法的局限性.
- 用MRI放射学来提高乳腺癌评估的准确性和概括性.
主要方法:
- 提出了一种基于标签空间维度减少 (LSDR) 的多标签学习方法,称为CTFGNMF.
- 利用图形规范的非负矩阵因子化 (NMF) 将临床标签映射到一个低维的潜在空间.
- 结合了使用多任务回归和动态图拉普拉斯规范化的常用和特定任务的功能.
主要成果:
- 在CTFGNMF中,HER2的AUC为0.823,Ki-67为0.691,组织学等级为0.776.
- 提出的方法表现优于现有的方法,这些方法只考虑任务独立或共同的特征.
- 证明了对相关的乳腺癌预测任务的改进的概括和区分能力.
结论:
- CTFGNMF是一种有前途的方法,用于共同预测乳腺癌多种临床指标.
- 该方法通过整合共同的和特定任务的信息,有效地学习互补的特征.
- 这种技术增强了放射性分析在乳腺癌患者管理中的实用性.
相关概念视频
01:21Cancer Survival Analysis
384
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
384
01:24Magnetic Resonance Imaging
5.2K
Magnetic resonance imaging (MRI) is a noninvasive medical imaging technique based on a phenomenon of nuclear physics discovered in the 1930s, in which matter exposed to magnetic fields and radio waves was found to emit radio signals. In 1970, a physician and researcher named Raymond Damadian noticed that malignant (cancerous) tissue gave off different signals than normal body tissue. He applied for a patent for the first MRI scanning device in clinical use by the early 1980s. The early MRI...
5.2K