ILDIM-MFAM:具有多式融合注意力机制的间歇性肺病识别模型

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 肺部医学 肺部医学

背景情况:

• 间歇性肺病 (ILD) 诊断依赖于整合复杂的多模式患者数据.
• 当前的诊断方法在有效地综合各种数据源方面面临挑战.
• 提高ILD诊断的准确性和可靠性对于患者的治疗结果至关重要.

研究的目的:

• 开发一种利用多模式医疗信息的间歇性肺部疾病识别模型 (ILDIM).
• 通过多式融合注意力机制 (MFAM) 提高ILD诊断的准确性和可靠性.
• 为了解决在ILD诊断中使用多式联络数据的潜力和挑战.

主要方法:

• 收集并预处理大规模的多式联络数据:胸部CT扫描,生理时间序列和患者病史文本.
• 使用卷积神经网络 (CNN) 来进行CT图像特征提取.
• 使用双向长短期记忆 (Bi-LSTM) 来处理时间生理数据和自我注意力来编码文本.
• 实现了基于变压器的多式联接感知机制,以实现最佳的数据融合.

主要成果:

• ILDIM-MFAM模型在ILD识别方面表现出卓越的综合性能.
• 在精度,回忆,F1得分和曲线下面面积 (AUC) 值方面取得了显著的改进.
• 该模型具有较低的计算复杂性和较少的参数数量,方便实际部署.

结论:

• 多模式数据集成显著提高了ILD诊断的全面性和准确性.
• ILDIM-MFAM为ILD识别提供了一个计算高效和有效的方法.
• 这种方法提供了更全面的患者评估,提高了诊断能力.