一个高效的患者反应预测系统,使用多尺度扩展组合网络框架与优化策略
Nalini Manogaran1, Nirupama Panabakam2, Durai Selvaraj3
1Department of CSE, S.A. Engineering College (Autonomous), Chennai, 600077, Tamil Nadu, India.
Scientific reports
|May 5, 2025
概括
本研究引入了一种深度学习 (DL) 模型,用于预测患者对放射治疗和化疗的反应,改进治疗计划并减少副作用. 多尺度扩展整体网络 (MDEN) 提高了预测准确性,并最大限度地减少了错误.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 放射治疗和化疗是癌症治疗的重要方法,但可能导致严重的副作用,如心血管疾病和肺纤维化.
- 准确预测患者反应和毒性对于个性化治疗规划和改善结果至关重要.
- 现有的方法,如卷积神经网络 (CNN),显示出希望,但需要进一步增强精确的预测.
研究的目的:
- 开发基于深度学习 (DL) 的放射治疗和化疗患者反应预测系统.
- 准确预测患者的反应和预后,使得早期的治疗决策.
- 通过精确的预测,尽量减少与治疗相关的毒性,并提高整体患者护理.
主要方法:
- 开发了一个深度学习 (DL) 模型,集成长期短期记忆 (LSTM),循环神经网络 (RNN) 和一维卷积神经网络 (1DCNN).
- 基于重复探索和利用的Coati优化算法 (REE-COA) 用于从手动收集的患者数据中进行最佳特征选择.
- 为了预测,采用了多尺度扩展组合网络 (MDEN),最终得分的平均值创建了一个强大的预测模型.
主要成果:
- 提出的基于MDEN的模型与现有方法相比,表现优越.
- 在MDEN计划中,相比RAN,RNN,LSTM和1DCNN,MDEN计划实现了0.79%,2.98%,2.21%和1.40%的改进.
- 该系统有效地最大限度地降低了错误率,并通过优化特征加权来提高预测准确性.
结论:
- 开发的基于DL的MDEN系统在预测患者对癌症治疗的反应方面取得了重大进展.
- 这种方法有可能个性化放射治疗和化疗,从而改善患者的治疗结果并减少不良影响.
- 该研究强调了集成先进的DL技术和优化算法的有效性,以提供强大的临床决策支持.
