新型前空间数据融合深度学习方法用于放射治疗中的多式体积预测结果模型

科学领域:

• 多模式机器学习是多模式机器学习.
• 医疗图像分析 医学图像分析
• 计算瘤学是一种计算瘤学.

背景情况:

• 预测治疗结果是复杂的,需要整合各种患者数据,如空间成像和表格临床信息.
• 传统模型与不兼容的数据结构作斗争,需要特征工程.
• 数据融合技术对于调和多式联络神经网络中的这些结构差异至关重要.

研究的目的:

• 为体积神经网络引入一种新的联合早期前空间 (JEPS) 融合技术.
• 评估JEPS对使用多模式患者数据预测整体生存 (OS) 的影响.

主要方法:

• 使用了222名头癌患者,CT成像和临床数据的回顾性队列.
• 单一模式基线包括考克斯比例危险 (CPH) 和3D卷积神经网络 (CNN).
• 五种多式联接架构进行了比较,包括早期,晚期,传统的联合,以及使用10倍交叉验证和接收器-操作器曲线 (AUC) 下的区域的新型JEPS融合.

主要成果:

• 在JEPS的融合模型中,最高的平均AUC是0.779±0.080.
• 晚期融合和仅用于临床的CPH模型显示出竞争性表现,但在统计学上并不优越.
• 所有其他比较模型的表现明显低于JEPS.

结论:

• JEPS的融合架构有效地整合了多式联网输入,大大提高了整体生存的预测性能.
• 杰普斯为临床结果预测提供了在体积CNN中数据融合的卓越方法.