使用基于Med3D传输网络的双模数据融合进行辐射肺炎预测
Jingli Tang1, Hao Wang1, Dinghui Wu2
1School of Internet of Things Engineering, Jiangnan University, Wuxi, 214122, China.
Journal of imaging informatics in medicine
|December 5, 2024
概括
这项研究开发了一种双模式模型,使用CT扫描和临床数据来预测辐射肺炎 (RP). 新模型显示,在接受放射治疗的肺癌患者中,预测RP的准确性有所提高.
科学领域:
- 医学成像医学成像
- 放射治疗瘤学 放射治疗瘤学
- 医学中的人工智能
背景情况:
- 放射性肺炎 (RP) 是放射治疗后的肺炎,其复杂的原因阻碍了准确的预测.
- 开发可靠的RP预测模型对于优化患者治疗和结果至关重要.
研究的目的:
- 创建辐射肺炎 (RP) 的双模预测模型.
- 将放射前CT图像与临床和辐射剂量数据整合起来,以提高RP预测.
主要方法:
- 使用 Med3D 传输网络与 3D 频道注意力用于 CT 图像特征提取.
- 使用自动编码器 (AE) 进行深度特征维度缩小.
- 应用单变量分析和拉索回归用于临床和剂量特征选择.
- 实现了自适应特征融合和用于二进制分类的KAN分类器.
主要成果:
- 双模模型的精度为74-76%,回忆率为73%,AUC为86%.
- 性能明显优于单模预测方法.
- 在117名接受放射治疗的乳腺癌患者的数据集上进行了验证.
结论:
- 双模数据融合有效地提高了辐射肺炎预测的准确性.
- 拟议的模型提供了一个更可靠的工具,用于识别患有RP风险的患者.
- 这种方法有可能改善放射治疗规划和患者护理.
