一个由层次驱动的多标签网络,具有标签约束,用于预测肺癌的术后并发症

科学领域:

• 医疗信息学医学信息学
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 肺癌手术是主要的治疗方法,但存在严重并发症的风险.
• 准确预测术后并发症对于患者的管理和安全至关重要.

研究的目的:

• 开发和验证一种新的AI驱动方法,用于预测肺癌术后并发症.
• 提高识别特定肺部和心血管并发症高风险患者的准确性.

主要方法:

• 提出了一个带有标签约束的层次驱动的多标签网络 (HDMN-LC).
• 利用等级聚类来建模并发症之间的关系.
• 整合了一个辅助任务和规范化术语,以提高预测性能.
• 在来自593名肺癌患者的临床数据上验证了该模型.

主要成果:

• HDMN-LC方法的平均AUC为0.653,超过了基线单标签和多标签方法的平均AUC.
• 证明了由等级驱动的架构和标签约束的有效性.
• 该模型准确地预测了特定术后并发症的风险.

结论:

• 拟议的HDMN-LC方法为预测肺癌术后并发症提供了更有效的方法.
• 这种工具可以帮助临床医生及时识别高风险患者进行主动干预.
• 通过更准确和及时的风险评估,提高患者安全.