通过注意力增强的多任务深度学习来增强NSCLC亚型和阶段:一种新的诊断工具
Runhuang Yang1, Weiming Li1, Siqi Yu1
1Department of Epidemiology and Health Statistics, School of Public Health, Capital Medical University, Beijing, China; Beijing Municipal Key Laboratory of Clinical Epidemiology, Capital Medical University, Beijing, China.
International journal of medical informatics
|November 8, 2024
概括
这项研究引入了一种增强注意力的多任务学习模型,用于非小细胞肺癌 (NSCLC) 的分类. 这种新方法显著提高了NSCLC患者组织学亚型和临床阶段识别的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 非小细胞肺癌 (NSCLC) 的诊断依赖于准确的组织学亚型和临床分期.
- 目前的深度学习模型在准确分类NSCLC亚型和阶段方面面临挑战.
研究的目的:
- 开发一种新的多任务学习方法,用于NSCLC分类的注意力编码器.
- 与现有的深度学习模型相比,在NSCLC的组织学亚型和临床阶段的分类方面实现更高的性能.
主要方法:
- 从六个公共TCIA数据集中收集数据,包括来自758名NSCLC患者的4548个CT切片.
- 评估了集成注意力机制的多任务学习模型,用于特征提取和分类.
- 使用基于卷积和基于注意力的模块,以特定任务分支的顺序方式.
主要成果:
- 基于MobileNet的多任务学习模型与注意力 (MN-MTL-A) 实现了卓越的性能.
- MN-MTL-A获得了曲线下的面积 (AUC) 分数,分类为0.963的亚型分类和0.966的分期分级.
- 该模型显著优于没有注意力的模型和单任务学习模型 (P<0.01).
结论:
- 整合注意力编码器块显著增强NSCLC组织学亚型和临床分期的准确性.
- 拟议的模型显示了临床应用的潜力,因为它减少了对放射科医生的注释的依赖.
