针对个性化细胞癌预后的多模式深度学习:整合CT成像和临床数据
Maryamalsadat Mahootiha1, Hemin Ali Qadir2, Jacob Bergsland2
1The Intervention Centre, Oslo University Hospital, Oslo, 0372, Norway; Faculty of Medicine, University of Oslo, Oslo, 0372, Norway.
Computer methods and programs in biomedicine
|December 19, 2023
概括
这项研究开发了一种集CT扫描和临床数据的深度学习模型,用于预测细胞癌 (RCC) 患者的生存率,其性能优于现有方法. 该模型有助于识别需要及时治疗的患者,以获得更好的结果.
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:
- 细胞癌 (RCC) 是一个重大的全球健康挑战,生存率很低.
- 现有的预后模型通常在准确性和范围上有局限性.
研究的目的:
- 开发一个全面的深度学习模型来预测RCC患者的生存概率.
- 整合CT成像和临床数据,以提高预后准确度.
- 为了确定需要紧急治疗的患者.
主要方法:
- 一个多式模式框架,结合3D卷积神经网络 (CNN) 进行图像特征提取和深度学习网络进行生存预测.
- 使用斯皮尔曼分数和随机森林重要性进行系统的临床变量选择.
- 训练预测网络使用离散的基于物流风险的损失函数.
主要成果:
- 拟议的深度学习模型与现有的RCC预后文献相比,表现优越.
- 最好的实验配置在测试队列中实现了0.84的一致性指数和0.8的曲线下的面积 (AUC).
- 这些结果表明患者生存的强大预测能力.
结论:
- 开发的多式联机深度学习方法显示出使用CT成像和临床数据估计RCC患者存活率的前景.
- 这种方法对及时治疗患者和改善结果有潜在的影响.
- 该研究的代码在GitHub上公开提供.
