在CT上对细胞癌进行激进腎切除或部分腎切除后预测EGFR状态,使用基于自我注意的模型:可变视觉转换器 (vViT)
Takuma Usuzaki1,2, Ryusei Inamori3, Mami Ishikuro4
1Department of Diagnostic Radiology, Tohoku University Hospital, Sendai, Japan. takuma.usuzaki.p6@dc.tohoku.ac.jp.
Journal of imaging informatics in medicine
|June 28, 2024
概括
该vViT模型有效地预测了使用多式数据的细胞癌患者的术后功能下降. 手术因素和放射学是关键预测因素,突出显示了该模型在手术前评估方面的潜力.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 手术后功能下降是细胞癌 (RCC) 患者的一个重大问题.
- 准确预测这种下降对于手术规划和患者管理至关重要.
研究的目的:
- 评估视力转换器 (vViT) 模型在预测RCC患者手术后估计球过率 (eGFR) 降低方面的有效性.
- 为了确定导致手术后eGFR变化的最有影响力的因素.
主要方法:
- 开发了eGFR10和eGFR20模型,分别预测了>10%和>20%的eGFR减少.
- 使用多式输入的vViT:临床数据,手术细节,放射学和成像.
- 使用统计测试与卷积神经网络 (CNN) 模型 (VGG16,ResNet50,DenseNet121) 进行vViT性能比较.
主要成果:
- 该vViT模型实现了高精度 (eGFR10:0.741,eGFR20:0.792) 和AUC-ROC (eGFR10:0.692,eGFR20:0.812). 这两种测试的结果是:
- 手术因素和放射学成为这两种模型中最主要的预测因素.
- 在预测eGFR下降方面,vViT的表现与传统的CNN模型相比或优于它们.
结论:
- 基于变压器的vViT模型显示了对RCC患者eGFR状态的手术前预测的重大前景.
- 多模式数据集成,包括放射学和手术细节,提高预测准确度.
- 这种人工智能驱动的方法可以帮助RCC患者个性化手术决策.
