从不完整的多模式数据中预测鼻癌的跨站点预后

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 准确预测鼻癌 (NPC) 的预后对于指导治疗和降低死亡率至关重要.
• 用于模型培训的外部数据聚合面临着多模式数据融合和跨站点数据异质性方面的挑战.
• 目前的方法在预后预测模型的跨站点适应性方面扎.

研究的目的:

• 开发一个域适应性生存分析方法,用于NPC预后预测.
• 为应对不完整的多模式数据融合和不同临床场所数据特征的挑战.
• 在跨站点场景中提高NPC预测预测模型的准确性和通用性.

主要方法:

• 提出基于考克斯模型的跨站点生存分析方法.
• 引入了基于交叉注意力的多模式融合规范化,用于整合多参数MRI图像和临床特征.
• 扩展对比学习对被审查的数据来增强特征歧视.
• 开发了一个域适应空间来处理缺失的模式和数据异质性.

主要成果:

• 拟议的方法在跨站点验证实验中显示出卓越的预后预测性能.
• 尽管缺少数据模式,但实现了多模式信息的有效融合.
• 与传统方法相比,在跨站点适应性方面取得了显著的改进.
• 通过提高预测准确度,验证了该方法在临床实践中的价值.

结论:

• 开发的跨站点生存分析方法为NPC预后预测提供了更高的准确性.
• 域调整和多模式融合是克服临床环境中数据异质性的关键.
• 该方法为个性化治疗策略和改善患者治疗结果提供了宝贵的工具.