集成深度神经网络和变压器架构,用于宫癌的自动细分和生存预测

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 深度学习用于医学诊断.

背景情况:

• 自动瘤细分和生存预测对于宫癌 (CC) 临床管理至关重要.
• 磁共振成像 (MRI) 为CC诊断和治疗计划提供了必不可少的数据.
• 将深度学习与变压器架构集成显示了增强CC分析的前景.

研究的目的:

• 开发先进的深度学习模型,用于CC MRI中的自动化瘤细分.
• 用MRI和临床数据创建一个模型来预测CC患者的生存结果.
• 为了评估混合CNN-变压器模型与纯CNN对这些任务的有效性.

主要方法:

• 使用了406名CC患者的数据集,其中包括MRI扫描和临床信息.
• 模型使用混合CNN-变压器 (CoTr) 架构和纯CNN (U-Net,注意U-Net,V-Net) 进行训练.
• 细分性能通过子相似系数 (DSC) 和豪斯多夫距离 (HD95) 进行测量;生存预测通过一致性指数.

主要成果:

• CoTr模型实现了优越的细分性能,平均DSC为0.827 (ceT1W) 和0.820 (T2W),超过了基于CNN的模型.
• 混合深度学习模型显著改善了生存预测,一致性指数为0.732.
• 该模型有效地将患者分为疾病进展低风险和高风险组 (P<0.001).

结论:

• 将变压器架构与CNN结合起来,可以提高宫癌中MRI瘤细分精度.
• 与传统方法相比,开发的深度学习模型在宫癌存活率预测方面表现优异.
• 这种综合方法具有显著的潜力,可以改善宫癌的临床诊断和治疗策略.