一个CNN-变压器融合网络用于预测阶段IA侵袭性肺腺癌的高等级模式

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 具有高度模式 (HGP) 的侵入性肺腺癌 (LUAD) 与快速转移和复发有关.
• 准确的HGP预测对于个性化治疗和改善患者预后至关重要.

研究的目的:

• 开发一个CNN-变压器融合网络,用于预测HGPs在LUAD.
• 整合放射学和临床信息,以提高预测准确度.

主要方法:

• 从288名LUAD患者的CT图像中提取了放射性特征.
• 融合放射学特征与临床数据.
• 采用CNN-变压器融合网络进行全面的信息提取和分类.

主要成果:

• 拟议的模型实现了0.86的精度,0.94的特异性和0.91.9的AUC.
• 在预测HGP方面表现强.
• 德隆的测试证实了模型之间的显著AUC差异.

结论:

• 在CNN-变压器融合网络有效预测HGPs在入侵的LUAD.
• 这个模型可以帮助创建个性化治疗策略.
• 放射学和临床数据整合显示出改善LUAD患者护理的前景.