使用TabNet区分脊髓瘤的双模人工智能-整合患者背景信息和图像

科学领域:

• 人工智能在医学中的应用
• 医学成像分析 医学成像分析
• 瘤学 诊断 诊断 瘤学

背景情况:

• 脊髓瘤需要准确和及时的诊断才能得到有效的治疗.
• 当前的诊断方法可以通过仅依靠成像或临床数据来限制.
• 整合多种数据源有可能提高诊断准确度.

研究的目的:

• 开发和评估用于诊断脊髓瘤的双模人工智能模型.
• 将双模模型的诊断性能与单模模型和人类医生进行比较.
• 评估拟议的人工智能模型的稳定性和普遍性.

主要方法:

• 开发了一个双模人工智能模型,将TabNet用于患者表格数据和用于医学图像的卷积神经网络结合起来.
• 该模型是在259名脊髓瘤患者 (斯瓦诺瘤和脑膜瘤) 的数据集上进行训练的.
• 使用接收器操作特征曲线 (AUROC) 下的面积来评估性能,并与单模模型,梯度增强决策树双模模型和医生性能进行比较.

主要成果:

• 使用TabNet提出的双模人工智能模型在培训数据上获得了0.91的AUROC.
• 该模型显著超过了人类医生的诊断准确性.
• 从两个设施的62个病例进行外部验证,AUROC为0.92,证实了模型的稳定性.

结论:

• 整合患者信息和图像的双模人工智能模型对于诊断脊髓瘤是有效的.
• 基于TabNet的双模式分析表明,与单模式方法和医生相比,其性能优越.
• 该模型在外部验证中显示出强大的性能,突出其临床实用性.