深度学习和图像生成器健康表格数据 (IGHT) 用于预测结直肠癌患者的整体生存期:回顾性研究
Seo Hyun Oh1, Youngho Lee2, Jeong-Heum Baek3
1Department of IT Convergence, Gachon University, 1342, Seongnam-daero, Sung-nam si, Republic of Korea.
JMIR medical informatics
|August 19, 2025
概括
使用健康图表数据图像生成器 (IGHT) 的新型深度学习模型将电子病历 (EMR) 数据转换为图像,以改善结直肠癌存活率预测. VGG16模型表现出卓越的准确性和可解释性,提供了一个有前途的临床决策支持工具.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 人工智能 (AI) 增强了医疗保健中的预测建模,特别是瘤学.
- 传统方法与复杂的临床变量相互作用作斗争.
- 健康图表数据图像生成器 (IGHT) 将电子医疗记录 (EMR) 数据转换为 2D 图像,用于深度学习分析.
研究的目的:
- 开发和评估一个深度学习模型,用EMR数据预测结直肠癌患者的5年总生存期.
- 通过可解释AI (XAI) 技术评估模型预测的临床可解释性.
主要方法:
- 分析了来自3321名患者的匿名EMR数据.
- 临床变量被转换成2D图像矩阵使用IGHT.
- 对比人工神经网络 (ANN),卷积神经网络 (CNN) 和VGG16模型用于生存预测.
- 使用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性.
主要成果:
- VGG16模型实现了卓越的性能 (结肠癌的准确率为78.44%,直肠癌的准确率为74.83%),具有高的特异性.
- 与ANN和CNN相比,VGG16显示出更好的敏感性和特异性的平衡.
- Grad-CAM确定了关键的预后特征,包括年龄,性别,吸烟史,ASA等级,肝/肺部疾病和CEA水平.
结论:
- 基于IGHT的VGG16模型显示了在结直肠癌中准确和可解释的5年生存预测的潜力.
- 该模型可以将患者分为风险类别,作为潜在的临床决策支持系统 (CDSS).
- 为了一般化和临床整合,需要进一步验证多中心队列和前性研究.
关键词:
欧洲人权理事会 欧洲人权理事会韩国 韩国 韩国 韩国在VGG16中,VGG16是VGG16中的一个.癌症 癌症 癌症 癌症 癌症临床信息学 临床信息学结肠结肠结肠结肠是什么意思卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.电子健康记录 电子健康记录医疗保健 医疗保健 医疗保健模型模型模型模型模型模型模型 模型 模型 模型神经网络的神经网络的神经网络预测 预测 预测 预测预测 预测 预测 预测预测 预测 预测 预测预测性 预测性 预测性这是直肠直肠.更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
