解决瘤异质性问题:基于变压器的多个实例增强学习,通过CT图像预测EGFR突变

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 对表皮生长因子受体 (EGFR) 突变的准确预测对于非小细胞肺癌 (NSCLC) 的诊断和治疗至关重要.
• 计算机断层扫描 (CT) 成像是一种有前途的工具,但目前完全监督的方法与瘤异质性作斗争,限制了预测准确性.

研究的目的:

• 开发一种新的弱监督方法TransMIEL,通过解决瘤异质性来准确预测NSCLC中的EGFR突变.
• 提高图像特征的辨别力和增强瘤表示,以提高诊断准确度.

主要方法:

• 引入了TransMIEL,一种使用多个实例学习进行EGFR突变预测的弱监督方法.
• 开发了一个实例增强学习 (IEL) 策略,使用自导的伪标签来加强实例特征.
• 设计了一个空间感知变压器 (SAT) 来捕获实例间的关系和一个实例适应性门 (IAG) 模块用于动态特征聚合.

主要成果:

• 在公共和内部NSCLC数据集上,TransMIEL显著优于现有的完全和弱监管方法.
• 该方法通过可视化显示了瘤内和周围瘤区域与EGFR突变状态相关的有效性.
• 在预测EGFR突变方面,TransMIEL显示了改进的模型概括性能.

结论:

• TransMIEL提供了一种强大而准确的方法,用于在NSCLC中进行非侵入性EGFR突变预测,有效地处理瘤异质性.
• 开发的方法为医疗图像分析中瘤异质性的未来研究提供了新的视角.
• 作为NSCLC管理中临床应用的有效工具,TransMIEL具有显著的潜力.