一种混合的几次射击多个实例学习模型,预测PET/CT图像中的淋巴瘤的攻击性

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 淋巴瘤亚型的分类

背景情况:

• 在治疗选择中,区分激进性 (DLBCL) 和惰性 (FL) 非霍奇金淋巴瘤 (NHL) 是至关重要的.
• 对PET/CT扫描进行NHL攻击性的视觉评估具有挑战性.
• 需要开发NHL分类的自动化方法.

研究的目的:

• 在PET/CT图像中开发一个支持人工智能的模型来区分DLBCL和FL.
• 建立一个预测NHL攻击性和指导治疗的基础.
• 为了利用少数镜头的学习来进行医学图像分析.

主要方法:

• 提出了一种混合的几次拍摄多个实例学习模型.
• 员工基于轮换的自我监督学习 (SSL) 用于对CT图像进行编码器培训.
• 从PET/CT中结合深度和放射性特征,例如示例级别的表示.
• 使用基于距离的分类器,使用少数射击学习来进行袋级预测.

主要成果:

• 在袋级达到0.751 ± 0.008的精度和0.795 ± 0.009的AUC.
• 仅使用放射性特征或标准分类器 (随机森林,SVM) 的传统方法.
• 确定了SSL的最佳设置,功能组合和最佳性能分类.

结论:

• 一种混合的几次射击多个实例学习模型可以有效地从PET/CT图像中预测淋巴瘤的攻击性.
• 这种人工智能工具有可能有助于确定患者特定的治疗策略.
• 该模型依赖混合功能和组合学习技术,为数据有限的医疗应用提供了可扩展的方法.