新型基于叶片的变压器模型 (LobTe) 预测阿尔法-1抗素缺乏症的肺气进展
Ariel Hernán Curiale1, Raúl San José Estépar1
1Applied Chest Imaging Laboratory, Department of Radiology and Medicine, Brigham and Women's Hospital, 399 Revolution Drive, Somerville, 02145, MA, USA; Harvard Medical School, 25 Shattuck Street, Boston, 02115 MA, USA.
Computers in biology and medicine
|December 7, 2024
概括
一个新的AI模型LobTe使用CT扫描预测肺气进展,显示了阿尔法-1抗素缺乏症 (AATD) 携带者早期检测的前景. 该工具有助于监测疾病并指导治疗策略.
科学领域:
- 肺部医学 肺部医学
- 人工智能的人工智能
- 放射学 放射学是指放射学
背景情况:
- 肺,以不可逆转的肺部破坏为特征,呈现异质的进展,复杂的预后.
- 早期检测对于阿尔法-1抗素缺乏症 (AATD) 患者和具有可变阿尔法-1抗素 (AAT) 水平的异合体载体 (PiMS,PiMZ) 患者至关重要.
- 精确预测肺气的进展对于及时干预和管理至关重要.
研究的目的:
- 开发和验证新的预后模型,用于预测肺密度 (ΔALD) 在肺瘤患者的年度变化.
- 评估基于叶片的变压器编码器 (LobTe) 模型的有效性,利用全球自我注意力来预测肺瘤进展.
- 为了将LobTe与基于LSTM的模型进行比较,该模型使用本地特定主体的注意力来预测疾病的进展.
主要方法:
- 使用带有全球自我注意机制的变压器编码器开发了一种新的预后模型LobTe,用于分析CT扫描上的叶片组织破坏.
- 还开发了一种使用LSTM与局部特定主体注意力机制的比较模型.
- 这两种模型都在COPDGene研究的2,019名参与者的队列上得到了验证,分析了肺密度 (ΔALD) 的年度变化.
主要成果:
- 洛比特模型实现了低根平均平方误差 (RMSE=1.73 g/L-yr) 和与ΔALD显著的相关系数 (ρ=0.61),解释了36%的变化 (R2=0.36).
- 对于PiMZ异合体载体,LobTe显示出更高的相关系数 (ρ=0.68),这表明该子组在检测早期肺瘤进展方面表现优异.
- 这些模型提供了疾病进展的定量测量,有助于风险分层和治疗计划.
结论:
- 洛比特模型显示出作为监测肺瘤进展的工具的巨大潜力,特别是在阿尔法-1抗素缺乏症 (AATD) 和异体载体的个体中.
- 该模型预测每年肺密度变化的能力可以为个性化治疗策略提供信息,并改善患者的治疗结果.
- 进一步的研究和LobTe的临床实施可以提高肺气和AATD相关的肺部疾病的管理.
关键词:
阿尔法-1 抗素缺乏症注意力机制注意力机制慢性慢性肺炎是一种慢性慢性肺炎,COPD是一种慢性肺炎.这就是为什么CTCTCTCTCTCT深度学习是一种深度学习.肺瘤进展的进展预测标志物 预测标志物变压器 变压器 变压器
