视觉转换器和卷积神经网络之间的比较,以预测非小肺癌复发情况

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 非小细胞肺癌 (NSCLC) 的复发率很高,因此需要准确的风险预测以进行量身定制的治疗.
• 对CT图像的放射性分析显示了预测NSCLC复发的前景.
• 对于这项任务,正在探索包括卷积神经网络 (CNN) 和视觉转换器 (ViT) 在内的深度学习模型.

研究的目的:

• 为了比较最先进的深度学习算法,特别是CNN和各种变压器架构的性能,从CT图像中预测NSCLC复发.
• 评估使用预先训练有素的ViTs,金字塔视觉转换器和Swin转换器对已建立的CNN模型进行转移学习的有效性.

主要方法:

• 利用了144名NSCLC患者的公开数据集.
• 通过预先训练的变压器模型 (ViTs,金字塔视觉变压器,Swin变压器) 实施转移学习方法.
• 将变压器性能与最先进的CNN进行比较,用于从CT图像中预测癌症复发.

主要成果:

• CNNs实现了最高的性能指标:AUC (0.91),准确度 (0.89),灵敏度 (0.85),特异性 (0.90) 和精度 (0.78).
• 变压器架构显示了类似的结果:AUC (0.90),精度 (0.86),灵敏度 (0.81),特异性 (0.89),精度 (0.75).
• 初步结果表明,变压器架构对于这个特定的预测任务没有显著的性能改进.

结论:

• 与基于这项研究的变压器架构相比,CNN目前为NSCLC复发提供了卓越的预测性能.
• 可能需要进一步的研究来优化变压器模型或探索混合方法,以改进NSCLC复发预测.
• 准确的复发预测对于优化NSCLC治疗策略和患者结果至关重要.