"每个人的网络":完全个性化和无监督的神经网络,使用单个患者的纵向数据进行训练
Christian Strack1,2,3, Kelsey L Pomykala4, Heinz-Peter Schlemmer5,6
1Institute for AI in Medicine (IKIM), University Hospital Essen (AöR), Girardetstraße 2, 45131, Essen, Germany. c.strack@dkfz-heidelberg.de.
BMC medical imaging
|November 1, 2023
概括
这项研究引入了个性化神经网络,用于检测瘤进展,使用对个体患者数据的深度学习. 这种方法可以在没有大量数据或手册注释的情况下准确监测瘤变化.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 个性化医疗和深度学习在医疗保健中越来越重要.
- 该研究解决了在医学研究中对个性化患者数据分析的需求.
研究的目的:
- 用单个患者的数据来证明训练深度神经网络的可行性.
- 开发个性化的神经网络,以检测纵向数据集中的瘤进展.
- 建立针对患者的深度学习模型的概念验证.
主要方法:
- 利用了两个数据集,包括来自32名多形质母细胞瘤患者的64个脑部MRI扫描.
- 雇佣的Wasserstein生成对抗网络 (W-GANs),一个无监督的学习架构.
- 训练了每个患者的独特神经网络,只使用两次扫描来绘制图像差异并计算瘤体积变化,绕过图像共同注册和手动注释.
主要成果:
- 在检测瘤变化方面获得了0.87的曲线下面面积 (AUC) 分数.
- 引入了经过修改的基于复发的新疗法评估 (RANO) 标准,准确度为66%.
- 证明了该模型能够有效监测瘤体积变化的能力.
结论:
- 介绍了一种新的深度学习方法,用于使用单个患者数据监测瘤变化.
- 突出了该方法在不同数据集的概括性的潜力.
- 在纵向瘤进展分析中验证了个性化神经网络的有效性.
关键词:
大脑瘤 大脑瘤纵向的 纵向的 纵向的这就是为什么MRI是MRI.机器学习 机器学习神经网络的神经网络的神经网络个性化的 个性化的 个性化的隐私安全 - 隐私安全没有监督的无人驾驶.瓦斯斯坦 - 甘安零培训数据 零培训数据更多相关视频
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
2.3K
06:32Author Spotlight: Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring
Published on: July 14, 2023
1.3K
