通过多模式深度学习对卵巢癌进行可转移和可解释的治疗有效性预测
Emily Nguyen1, Zijun Cui1, Georgia Kokaraki2
1Computer Science Department, University of Southern California, Los Angeles, CA, U.S.A.
AMIA ... Annual Symposium proceedings. AMIA Symposium
|January 15, 2024
概括
这项研究引入了一种多式深度学习模型,用于预测卵巢癌治疗的有效性. 可解释模型整合了组织病理图像和临床数据,改善了治疗选择,并显示了可转移到其他癌症的承诺.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 选择卵巢癌的治疗方法具有挑战性,需要创新的治疗策略.
- 目前用于癌症预测的深度学习模型通常是"黑子"和数据密集型.
- 在癌症治疗预测中需要可解释和可转移的模型.
研究的目的:
- 开发一种多式深度学习框架,用于预测卵巢癌治疗的有效性.
- 通过整合基因病理图像和临床变量来增强模型解释性和数据范围.
- 评估开发模型对其他癌症数据集的可转移性.
主要方法:
- 设计了一个多式深度学习框架,结合了大型组织病理图像和临床数据.
- 该模型经过训练并对其预测卵巢癌患者治疗有效性的能力进行了评估.
- 评估了对其他癌症类型的解释性和性能可转移性.
主要成果:
- 拟议的多式模式实现了对卵巢癌治疗有效性的高预测准确性.
- 这些模型显示出显著的可解释性,为预测驱动因素提供了洞察力.
- 该框架显示了成功的可转移到其他癌症数据集,性能降低最小.
结论:
- 多模式深度学习为可解释和准确预测卵巢癌治疗效果提供了一个有希望的方法.
- 整合各种数据类型,如组织病理学和临床变量,可以提高预测能力和模型范围.
- 开发的框架的可转移性表明,在精密瘤学中具有更广泛的应用潜力.
