一个知识增强的可解释网络,通过多相CT成像预测肝细胞癌的早期复发

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能
• 肝细胞癌研究 肝细胞癌研究

背景情况:

• 准确的早期复发 (ER) 预测肝细胞癌 (HCC) 对治疗和生存至关重要.
• 目前使用计算机断层扫描 (CT) 和域知识的深度学习 (DL) 模型遭受迟,限制性能和可解释性.
• 现有模型中的域知识和图像特征之间的有限相互作用妨碍了对HCC复发的最佳预测.

研究的目的:

• 开发一种基于视觉变压器 (ViT) 的新型DL网络,双式ViT (DSViT),用于增强HCC的ER预测.
• 改进领域知识和多相CT图像之间的相互作用,以提高预测性能和可解释性.
• 创建可信的人工智能工具,用于HCC ER预测中的临床应用.

主要方法:

• 提出了一个新的双式ViT (DSViT) 网络,集成域知识和多相CT图像.
• 实施了适应性自我注意力机制,以平衡领域知识和图像利用.
• 引入了以注意引导的监督学习和领域知识自我监督模块,以增强特征融合和预测准确性.

主要成果:

• 在多相CT数据上,DSViT模型表现出高于现有方法的性能.
• 拟议的网络实现了提高决策的解释性.
• 在公共数据集上的验证证实了DSViT方法的通用性.

结论:

• DSViT模型显著提高了HCC早期复发预测的性能和可解释性.
• 这种人工智能工具提高了临床环境中预测的可靠性.
• DSViT为管理HCC患者和改善结果提供了一个有希望的进步.