医疗语义知识集成的多任务学习网络,用于生成报告和预测新辅助化疗反应
Wei Song1, Ming Fan2, Lihua Li1,2
1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China.
Medical physics
|July 15, 2025
概括
将医学语义知识集成到多任务学习网络中,可以改善新辅助化疗 (NAC) 反应的预测,并提高医学报告生成质量.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 临床报告的自然语言处理.
背景情况:
- 自动报告和预测新辅助化疗 (NAC) 反应有助于临床决策.
- 之前的研究还没有充分探讨报告细节与NAC响应预测之间的联系.
研究的目的:
- 开发一个医学语义知识集成多任务学习 (MSKMTL) 网络.
- 提高NAC响应预测的准确性.
- 提高自动生成的医疗报告的质量.
主要方法:
- 提出了一个MSKMTL网络,利用医学报告中的语义知识.
- 训练了一个知识库与DCE-MRI和报告,以链接视觉文本表示.
- 使用预训练的BERT模型进行语义知识编码和对比学习进行图像报告特征对齐.
主要成果:
- 在报告生成方面取得了强的表现 (BLEU-1: 0.408,BLEU-4: 0.186,ROUGE: 0.426,METEOR: 0.402).
- 在NAC预测中被证明具有很高的准确性 (AUC:0.849,回忆:0.750,精度:0.795,F1:0.794).
- 在乳腺DCE-MRI和公共IUX射线数据集上展示了强大的结果.
结论:
- 整合医学语义知识显著提高了NAC预测准确度.
- 与现有方法相比,拟议的方法产生了优越的医疗报告.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
587
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
