以多对比学习为指导的轻量级几次射击学习方案,用于预测乳腺癌分子亚型
Xiang Pan1,2, Pei Wang1, Shunyuan Jia1
1School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi, China.
Medical & biological engineering & computing
|February 5, 2024
概括
这项研究引入了一种新的几次射击学习方法,它结合了轻量化对比卷积神经网络 (LC-CNN) 和多对比学习策略 (MCLS) 来准确地预测DCE-MRI数据的乳腺癌分子亚型,即使样本有限.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 侵入性基因表达特征识别基于激素受体状态的关键乳腺癌亚型 (正常类,光类,HER-2丰富,基底类).
- 动态对比增强磁共振成像 (DCE-MRI) 对乳腺癌查和治疗至关重要,但由于数据限制,非侵入性预测分子亚型仍然具有挑战性.
研究的目的:
- 开发一种使用DCE-MRI进行非侵入性预测乳腺癌分子亚型的新型几次射击学习方案.
- 在预测这些亚型时,应对极低数据制度的挑战.
主要方法:
- 一个新的几次射击学习方案,将轻量级的对比卷积神经网络 (LC-CNN) 与多对比学习策略 (MCLS) 集成在一起.
- MCLS是为一对一和一对一的分类任务设计的,以处理子类之间的类间相似性.
- 该方法利用对DCE-MRI扫描对中的对比相关性.
主要成果:
- 与现有的最先进的方法相比,拟议的方案显示出更高的性能.
- 即使使用有限数量的样本,也能获得竞争力的结果.
- 有效地挖掘对比相关性,以改善亚型预测.
结论:
- 结合LC-CNN和MCLS方案提供了一个强大的解决方案,用于从DCE-MRI中非侵入性地预测乳腺癌分子亚型.
- 这种方法对于低数据场景特别有价值,提高了诊断准确性和患者分层.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
