使用卷积神经网络和视觉转换器进行多任务学习可以改善头癌患者的结果预测

科学领域:

• 在瘤学中使用人工智能
• 医学成像分析 医学成像分析
• 机器学习用于癌症预测

背景情况:

• 通过基于神经网络的结果预测,可以推进头癌的个性化治疗.
• 开发有效的神经网络是具有挑战性的,因为患者数据有限.
• 多任务学习 (MTL) 提供了一个潜在的解决方案,以改善模型性能在数据稀缺的场景.

研究的目的:

• 调查多任务学习策略是否可以提高CNN和视觉转换器 (ViT) 的性能.
• 通过同时优化两个结果目标 (多结果) 和结合瘤细分任务来评估MTL.
• 评估模型预测头癌的局部区域控制 (LRC) 和无进展生存率 (PFS) 的能力.

主要方法:

• 在两个多中心数据集上训练CNN和ViT模型:治疗前的CT扫描 (290名患者) 和PET/CT联合扫描 (224名患者).
• 采用多任务学习,将多结果预测与瘤细分损失相结合.
• 评估模型性能,使用对应指数 (C指数) 进行歧视和使用日志等级测试进行风险分层.

主要成果:

• 多任务方法通常在数据集和模型类型 (CNN和ViT) 中都显示出更好的性能.
• 训练有素的多结果CNN与细分损失成为最佳策略.
• 在PET/CT数据上,最佳模型实现了0.29的C指数和显著的风险分层 (p=0.003);在CT数据上,模型实现了0.26的C指数和显著的LRC风险分层 (p=0.002和p=0.011).

结论:

• 多任务学习,特别是多结果CNN和细分损失,显著提高了头癌的预测性能.
• 这些模型展示了强大的歧视和风险分层能力,为改善治疗个性化铺平了道路.
• 计划在前性研究中进一步验证,以确认这些先进的AI模型的临床实用性.