深度学习多模式数据融合策略的比较,用临床变量和辐射剂量分布体积用于下骨性骨质放射性瘤NTCP建模中的多模式数据融合策略

科学领域:

• 医学物理 医学物理
• 放射治疗瘤学 放射治疗瘤学
• 机器学习在医学中的应用

背景情况:

• 深度学习 (DL) 越来越多地用于正常组织并发症概率 (NTCP) 建模,需要将空间剂量信息 (剂量学) 与临床数据集成.
• 结合剂量学和临床数据带来了技术挑战,需要对基于DL的NTCP研究探索有效的多模式数据融合策略.

研究的目的:

• 提出和比较不同的多模式数据融合策略,以增强基于DL的NTCP建模.
• 用临床和下辐射剂量分布数据评估早期,关节和晚期融合方法.

主要方法:

• 将早期,联合和晚期的DL多模式融合策略与单模式模型进行比较 (随机森林,3D DenseNet-40).
• 利用来自92例骨质放射性死病例和92例对照组的临床和部剂量分布数据.
• 根据歧视和校准指标评估模型性能.

主要成果:

• 晚期聚变显示出优越的区分和校准,而联合聚变则提供了更平衡的概率分布.
• 整体的歧视性能在各个策略中是相似的,但晚期融合缺乏模式间的相互作用.
• 联合融合,尽管复杂,使得一个单一的培训过程,包括内部和跨模式的互动.

结论:

• 这项研究开创了数据融合策略的比较,用于将剂量和临床数据集成到基于DL的NTCP模型中.
• 最佳的融合策略取决于数据的分布和质量;联合融合在捕捉模式间关系方面提供了优势.
• 建议报告多个数据融合策略,用于未来使用DL的多模式NTCP建模.