三重分支网络具有对比的先前知识嵌入,用于疾病分类

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的机器学习
• 计算病理学计算病理学

背景情况:

• 准确的疾病分类对于确定适当的临床干预措施至关重要,从观察到立即手术.
• 医疗数据集中的阶级不平衡对开发强大的分级模型构成重大挑战.
• 现有的方法可能无法充分利用与疾病进展和分级相关的先前知识.

研究的目的:

• 开发一个准确和强大的疾病分级系统,解决阶级不平衡.
• 将与年级相关的先前知识整合到深度学习框架中.
• 通过提供可靠的疾病等级评估来改善临床决策.

主要方法:

• 提出了一个新的三分支网络与对抗性先进知识嵌入 (TBN-CROWN).
• 实施了代表性学习,分类器学习和与等级相关的先验知识学习的三个分支.
• 引入了对比嵌入模块,通过对比学习嵌入先前知识,解决类不平衡.

主要成果:

• TBN-CROWN有效地处理了阶级不平衡的培训样本.
• 该模型在各种数据集和疾病中实现了令人满意的分级准确性.
• 在对疲劳骨折,性结肠炎和糖尿病视网膜病变等疾病的分级方面表现出卓越的表现.

结论:

• TBN-CROWN为准确的疾病分类提供了一个有希望的方法,特别是在数据不平衡的情况下.
• 通过对比学习整合先前的知识,提高了模型的稳定性和准确性.
• 这种方法有可能显著帮助医生做出及时和适当的治疗决策.