使用3DPET图像和临床数据的条件变异自编码器预测患有恶性多叶层层层瘤的患者的预后

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 深度学习 (DL) 模型通常需要大型数据集来准确预测预后.
• 由于患者数据有限,罕见疾病,如恶性多层层层层瘤 (MPM),存在挑战.
• 现有的DL方法难以处理小数据集,导致超级学习和可靠性降低.

研究的目的:

• 提出一种多式深度学习 (DL) 方法,利用有限的3D PET/CT图像和临床数据来预测MPM患者的预后.
• 为了应对在罕见疾病预后预测中小数据集的挑战.
• 开发一个强大的DL模型,抵御过度学习.

主要方法:

• 使用3D卷积条件变异自编码器 (3D-CCVAE) 来减少3DPET图像的维度.
• 开发了一种两步模型: 1) 使用临床数据的3D-CCVAE进行条件缩小维度; 2) 使用减少特征和随机森林分类器的临床数据进行1年生存预测.
• 3D-CCVAE模型与变异 (3D-CVAE,3D-CCAE,没有AE) 进行了比较,使用520个MPM患者数据集进行了三重交叉验证.

主要成果:

• 3D-CCVAE模型实现了最高的曲线下面积 (AUC) 0.76 (95% CI,0.72-0.80) 对于1年生存预测.
• 3D-CCVAE模型显示了比3D-CVAE (p=0.039),3D-CCAE (p=0.0032) 和没有AE (p=0.0011) 模型的统计学上显著的改善.
• 提出的方法有效地处理了小型数据集,在没有条件或变化机制的情况下表现优于模型.

结论:

• 3D-CCVAE对于在小型数据集上训练的多式联络DL模型是有效的,特别是对于MPM等罕见疾病.
• 通过自动编码器 (AE) 减少维度可以减轻DL模型中的超学习风险.
• 变化自编码器 (VAE) 机制解决了小型数据集中的模型参数不确定性,进一步防止了超学习.