多视图稀疏注意网络用于质瘤生存风险预测
Xinyu Li1, Hulin Kuang1, Jianhong Cheng2
1School of Computer Science and Engineering, Central South University, Changsha, China.
Medical physics
|March 26, 2025
概括
这项研究引入了一个非侵入性的多视图网络,用于预测质瘤存活风险,整合MRI和临床数据. 该方法提高了预后准确性和效率,优于现有的方法.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析分析 医学成像分析
- 机器学习在医疗保健中的应用
背景情况:
- 质瘤生存风险预测对于个性化治疗至关重要,但目前使用组织病理学和基因组学的方法是侵入性的和昂贵的.
- 使用非侵入性磁共振成像 (MRI) 或手工放射学 (HCR) 和临床数据预测质瘤预后仍然具有挑战性.
- 现有的生存预测模型经常使用Cox部分日志概率损失,这可能无法有效地捕捉生存差异,影响预测准确性.
研究的目的:
- 开发一种非侵入性,多视图的质瘤生存风险预测网络,以提高预后效率.
- 通过利用多模式,非侵入性数据来解决侵入性预测方法的局限性.
主要方法:
- 提出了一个多视图生存风险预测网络,集成3D/2DMRI,手工制造的放射学 (HCR) 和临床数据.
- 在特征编码器中使用基于聚合和稀疏注意力的变压器用于与风险相关的特征提取.
- 引入了多视图互补注意力融合模块,用于采访视图功能集成,并利用相似性和对联排名损失来改进考克斯模型训练.
主要成果:
- 拟议的方法在质瘤生存风险预测方面取得了高绩效,C指数为75.35% (UCSF-PDGM) 和74.47% (BraTS2020).
- 超过现有的单视图和多视图预测方法.
- 只有290.7万个可训练参数实现了参数效率,平衡了性能和计算成本.
结论:
- 该研究成功地证明了融合多视图非侵入性信息的有效性,用于预测质瘤存活风险.
- 拟议的网络为临床质瘤预后提供了显著的优势,推进了非侵入性预测建模.
