TPNET:一个时间敏感的小样本多式联网,用于心脏毒性风险预测
IEEE journal of biomedical and health informatics
|March 19, 2025
概括
这项研究引入了一种使用组织多普勒成像 (TDI) 预测乳腺癌患者癌症治疗相关心脏功能障碍 (CTRCD) 的深度学习模型. 该TPNET模型显示高精度,有助于早期检测和理解心脏风险.
科学领域:
- 心脏病学 心脏病学
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 与癌症治疗相关的心脏功能障碍 (CTRCD) 是一个重大问题,特别是对于乳腺癌患者.
- 在癌症治疗期间监测心脏健康至关重要.
- 组织多普勒成像 (TDI) 提供了对左心室功能的洞察.
研究的目的:
- 开发和评估使用TDI和临床数据预测CTRCD的深度学习模型.
- 评估该模型在24个月内识别患有心脏功能障碍风险的患者的表现.
- 确定关键的病原体标志和潜在的CTRCD的新致病原体.
主要方法:
- 开发一个有效培训的时间多式模式网络 (TPNET) 模型.
- 利用了来自270名患者的TDI,功能和临床数据.
- 在特征分析中使用集成梯度 (IG) 归因.
主要成果:
- TPNET模型实现了曲线下的面积 (AUC) 为0.83和灵敏度为0.88.
- 与现有的视觉模型相比,证明了优越的稳定性.
- 确定了CTRCD的关键病原体标志和潜在的新病原体.
结论:
- TPNET模型显示了在乳腺癌患者中预测CTRCD的显著潜力.
- 该模型可以帮助早期检测和风险分层.
- 特性归因分析提供了对CTRCD病原体的洞察,并可能指导在手术前的临床应用.

