一种混合CNN-变压器模型,用于根据CT扫描预测非小细胞肺癌患者的N阶段和存活率
Lingfei Wang1, Chenghao Zhang1, Jin Li1
1College of Intelligent Systems Science and Engineering, Harbin Engineering University, Harbin 150001, China.
Tomography (Ann Arbor, Mich.)
|October 25, 2024
概括
这项研究引入了一种混合3DCNN变压器模型,用于预测非小细胞肺癌 (NSCLC) N阶段和生存率. 这种新的方法提高了诊断准确性和预后评估,改善了患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 在非小细胞肺癌 (NSCLC) 中,准确的N-阶段确定对于治疗计划和患者生存至关重要.
- 目前的方法需要改进,以便精确的预后评估.
研究的目的:
- 开发和验证混合3DCNN变压器模型,用于预测NSCLCN阶段和生存率.
- 为了利用CNN和变压器的互补优势,提高预测性能.
主要方法:
- 开发了一个混合模型,集成3D卷积神经网络 (CNN) 来进行本地特征提取和用于全球信息建模的变压器.
- 该模型在NSCLC放射基因组学和放射学数据集上进行了训练和验证.
- 拉索-考克斯回归和时间依赖的ROC曲线被用于生存分析.
主要成果:
- 混合模型在N阶段预测方面取得了很高的准确性 (0.805培训,0.828验证,0.819测试).
- 与传统的CNN和变压器架构相比,CNN-变压器混合模型表现出卓越的性能.
- 生存预测显示了统计学意义 (p<0.05) 跨多个时间间隔,通过时间依赖的ROC曲线验证.
结论:
- 拟议的混合CNN-变压器模型为NSCLCN阶段和生存预测提供了一种创新和有效的方法.
- 这种方法为NSCLC患者的早期诊断和预后评估提供了宝贵的见解.
- 该研究强调了集成深度学习架构的潜力,以推进癌症成像分析.
