结合模型驱动和双循环交互策略,用于预测基于DCE-MRI的乳腺癌分子亚型的几次射击学习方案
Xiaoyan Hong1, Lei Zhang2, Longzhen Ding1
1School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi, China.
Computer methods and programs in biomedicine
|July 8, 2025
概括
这项研究引入了一种使用有限的DCE-MRI数据进行乳腺癌分子亚型化的一种新的几次射击学习方法. 该方法具有很高的准确性,证明了在乳腺癌诊断中临床应用的潜力.
科学领域:
- 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
- 生物医学信号处理
背景情况:
- 深度学习在医学图像分类方面表现出色,使实时健康监测成为可能.
- 医学成像数据集的特点是极低的数据模式,这给分类带来了挑战.
- 用很少的每类样本对医疗图像进行分类是一个重大障碍.
研究的目的:
- 为预测乳腺癌分子亚型提出了一种新的几次射击学习方案.
- 为了应对用有限的数据样本对医疗图像进行分类的挑战.
- 为了利用动态对比增强MRI (DCE-MRI) 改善乳腺癌亚型.
主要方法:
- 一个新的短暂学习方案,结合了基于模型的机制和双循环的交互策略.
- 开发一个时空循环网络分类器 (STRNC) 来学习DCE-MRI中的空间和时间特征.
- 为N-way C-shot任务实施双循环交互策略 (DCIS),提高概括性.
主要成果:
- 拟议的方案在公共数据集上取得了最先进的结果.
- 实现了乳腺癌分子亚型的分类准确率为99.13 ±0.21%.
- 证明了单个分子亚型之间的准确差异化.
结论:
- 拟议的方法有效地学习了DCE-MRI中的空间相关性和时间依赖性.
- 这种方法显示了指导临床乳腺癌类型预测的重大潜力.
- 少数拍摄的学习方案为医疗图像分析提供了一个有前途的解决方案,数据有限.
