自主监督的多模式特征融合用于预测肝细胞癌早期复发

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 手术切除是早期肝细胞癌 (HCC) 的首要治疗方法.
• 手术后早期复发 (ER) 显著影响HCC患者的死亡率.
• 准确预测ER风险对于临床决策和患者结果至关重要.

研究的目的:

• 开发和评估一种自我监督的多模式特征融合方法,用于预测HCC中的ER.
• 利用多相MRI和临床数据来提高预测准确度.
• 用可视化技术提高预测模型的可解释性.

主要方法:

• 利用自主监督学习 (SSL) 方法,使用注意力机制来提取和融合特征.
• 综合多相MRI数据与临床特征进行全面分析.
• 采用了注意力模块,以有效地融合多模式和多相功能.
• 使用Score-CAM可视化影响模型预测的区域.

主要成果:

• 与单相特征相比,多相特征融合提高了预测准确度.
• 多模式特征融合 (MRI + 临床数据) 超过了单模式预测.
• 拟议的方法证明了对HCC患者早期复发的有效预测.

结论:

• 自主监督的多模式特征融合是预测HCC早期复发的有希望的方法.
• 整合多相MRI和临床数据可以提高预测性能.
• 注意机制和SSL有助于稳健和可解释的HCC复发预测.