OCIF:自动学习优化的临床信息融合方法,用于计算机辅助诊断任务

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 计算神经科学是一种计算神经科学.

背景情况:

• 精确的计算机辅助诊断 (CAD) 需要将神经网络的图像特征与临床信息融合起来.
• 在CAD中,将低维临床信息 (LDCF) 与高维网络特征 (HDNF) 整合起来是一个重大挑战.
• 现有的方法很难有效地结合这些不同的数据类型,以提高诊断性能.

研究的目的:

• 引入一个新的网络搜索框架,OCIF (优化临床信息融合),以便有效地将LDCF与HDNF集成.
• 在CAD系统中为LDCF融合和HDNF高效的尺寸缩小提供一个优化的解决方案.
• 通过利用临床和图像衍生特征来提高CAD的诊断准确性.

主要方法:

• OCIF利用高斯过程优化来探索最佳的神经网络架构,包括完全连接的层,神经元数量,激活函数,中断率和临床信息包含.
• 在OCIF中使用转移学习来减少参数空间并加快搜索过程.
• 该框架的有效性是通过在相关数据集上使用三个流行的端到端整体生存 (OS) 时间预测模型来评估的.

主要成果:

• 将OCIF应用于标准CAD神经网络显著提高了分类准确性.
• 在2020年BRATS数据集上的实验表明,OCIF在OS时间预测方面表现令人满意,准确度为0.684,精度为0.735,回忆率为0.684,F1得分为0.675.
• 这些结果证实了OCIF在医疗分类任务中提高诊断性能的能力.

结论:

• OCIF有效地将临床信息与网络功能集成在一起,提高计算机辅助诊断的诊断准确性.
• 该框架展示了通过利用多式联运数据显著提高CAD准确性的潜力.
• OCIF显示出扩展到其他各种医疗分类任务的前景,为数据融合提供了一种多功能方法.