将逻辑临床知识纳入深层神经网络,以改善膀瘤细分
Xiaodong Yue1, Xiao Huang2, Zhikang Xu2
1Artificial Intelligence Institute of Shanghai University, Shanghai University, Shanghai 200444, China; School of Computer Engineering and Science, Shanghai University, Shanghai 200444, China.
Medical image analysis
|May 22, 2024
概括
这项研究引入了一种新的方法来细分膀瘤,使用深度学习与临床知识相结合. 这种方法提高了准确性,特别是有限的数据,有助于膀癌的诊断.
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:
- 精确的膀瘤细分对于癌症诊断和预后至关重要.
- 深度卷积神经网络 (DCNNs) 是有前途的,但需要大量的数据,并且经常忽视临床见解.
- 对于膀瘤细分的现有DCNN方法是数据密集型的,缺乏临床知识的整合.
研究的目的:
- 开发一种新的膀瘤细分方法,将临床逻辑规则集成到DCNNs中.
- 为了提高膀瘤细分模型的准确性和减少数据依赖性.
- 利用关于瘤起源和生长的临床知识来改善细分.
主要方法:
- 提出了基于DCNN的方法,结合了关于膀瘤位置和膀壁粘附的临床逻辑规则.
- 利用语义和人类可读的知识表示,使临床医生更容易获得知识.
- 通过将临床知识整合到细分网络中,减少了数据依赖.
主要成果:
- 拟议的方法证明了从MRI图像中细分膀瘤的有效性.
- 纳入临床逻辑规则提高了细分精度,特别是在有限的注释数据中.
- 这种方法减少了训练DCNN模型的数据要求.
结论:
- 将临床逻辑规则集成到DCNN中,为准确的膀瘤细分提供了一个有希望的方法.
- 这种方法提高了细分性能,减少了数据依赖,使其对临床应用具有价值.
- 这些发现表明,利用医学成像来治疗膀癌症的方法更有效,更精确.
