多分支CNNFormer:用于预测前列腺癌对激素治疗的反应的新框架

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能
• 生物标志物整合的整合

背景情况:

• 前列腺癌 (PC) 治疗反应预测对于个性化治疗至关重要.
• 目前的方法在捕捉复杂的空间和全球特征时遇到局限性.
• 整合前列腺特异性抗原 (PSA) 等临床标记物是必不可少的.

研究的目的:

• 开发和验证一种混合模型,将卷积神经网络 (CNN) 和视觉变换器 (ViT) 结合起来,用于准确的PC响应预测.
• 克服个人CNN (远程关系) 和ViT (本地化) 在分析PC病变方面的局限性.
• 整合多模式MRI和PSA数据,以提高预测准确度.

主要方法:

• 开发了一个3D多分支CNN-Transformer (CNNFormer) 模型,集成3D CNN用于详细的特征提取和3D ViT用于全球特征学习.
• 该模型处理体积MRI数据,以捕捉局部细节和突出的全球模式.
• 该框架在39名患者的队列中进行了评估,按PSA水平分层.

主要成果:

• 该CNNFormer模型在区分激素治疗的响应者和不响应者方面取得了高准确率 (97.50%).
• 观察到异常灵敏度 (100%) 和特异性 (95.83%),突出显示了该模型的强大性能.
• 结果表明,即使在小患者队列中,模型的有效性也很高.

结论:

• 拟议的CNNFormer框架显示了改善个性化前列腺癌治疗计划和监测的巨大潜力.
• 结合CNN和ViT的优势,提供了一种可靠的方法来预测PC对激素治疗的反应.
• 这种方法可以增强管理前列腺癌的临床决策.