适应性细分到生存学习用于从多模式医学图像中预测生存
Mingyuan Meng1,2, Bingxin Gu3,4,5,6,7, Michael Fulham1,8
1School of Computer Science, The University of Sydney, Sydney, Australia.
NPJ precision oncology
|October 14, 2024
概括
这项研究引入了一种适应性多模式细分到生存模型 (AdaMSS),用于改进癌症生存预测. 通过有效使用多模式图像和瘤外信息,AdaMSS提高了个性化治疗规划.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的早期癌症生存预测对于个性化治疗计划至关重要.
- 当前的深度学习模型往往忽略了主要瘤以外的预后信息,并与多模态图像融合作斗争.
- 现有的方法依赖于固定的融合策略,限制了对不同患者数据的适应性.
研究的目的:
- 开发一种可适应的多模式细分到生存 (AdaMSS) 模型,用于增强癌症生存预测.
- 为了使模型能够自适应融合策略,并专注于瘤外区域,以提高预后准确度.
- 为了更有效地利用多模式医疗图像,以便更好地进行临床决策.
主要方法:
- 开发了自适应多模式分离到生存 (AdaMSS) 模型.
- 实施了用于多模式图像集成的自适应融合策略.
- 启用了对瘤外区域的适应性聚焦,以捕获转移和入侵信息.
主要成果:
- 在两个大型癌症数据集 (1380名患者) 上,AdaMSS实现了最先进的性能.
- 与现有模型相比,证明了更高的生存预测准确性 (C指数:0.804和0.757).
- 在多个医疗中心验证了该模型的有效性.
结论:
- 通过整合多模式成像和瘤外信息,AdaMSS模型显著改善了癌症生存预测.
- 适应性融合和焦点机制提高了模型性能和临床适用性.
- AdaMSS显示出强大的潜力,以促进个性化癌症治疗规划.
