一个基于变异性自编码器的多式融合网络,用于区分SCLC脑转移与NSCLC脑转移

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
• 无线电学 (Radiomics) 是一种辐射学.

背景情况:

• 在MRI上精确区分小细胞肺癌 (SCLC) 和非小细胞肺癌 (NSCLC) 脑转移对于有效的肺癌治疗至关重要.
• 多模态MRI序列提供互补的数据,但由于特征冗余性和异质性,将它们合并是具有挑战性的.

研究的目的:

• 开发一个新的多式联络融合网络,MFN-VAE,以改善SCLC与NSCLC大脑转移的SCLC歧视.
• 利用变化自动编码器 (VAE) 来有效地压缩和聚合来自多模态MRI的放射性特征.

主要方法:

• 从T1WI,FLAIR和DWI肺癌脑转移的MRI序列中提取了放射性特征.
• 使用VAE编码器-解码器架构将多模式特征投射到潜伏空间中,捕获模式特定和共享表示.
• 该网络被训练来重建特征,学习用于分类的底层数据模式.

主要成果:

• 在私人数据集上,MFN-VAE模型实现了0.888的分类准确度和0.920的AUC.
• 拟议的方法在MRI模式的各种组合中超过了现有的最先进的技术.
• 实验结果表明,MFN-VAE在区分SCLC和NSCLC脑转移中的表现令人鼓舞.

结论:

• MFN-VAE是一种新型的多式融合网络,能够使用MRI准确区分SCLC和NSCLC的大脑转移.
• 该模型的高性能 (ACC:0.888;AUC:0.920) 表明其作为临床医生可靠的诊断工具的潜力.
• 使用SHAP提高了解释性,强调了MFN-VAE在改善肺癌脑转移诊断和治疗计划方面的潜力.