一种新的深度学习模式,用于预测中风的基于转换器的架构
Maocheng Cao1, Haochang Jin2,3, Yuxi Wang4
1Shenzhen Fuyong People's Hospital, Shenzhen, China.
PloS one
|August 26, 2025
概括
一个新的深度学习模型Strokeformer通过有效处理小,不平衡的医疗数据集来改善中风预测. 这种方法提高了临床决策,以确定血栓溶解疗法的适用性.
科学领域:
- 神经学
- 人工智能
- 医疗信息学
背景情况:
- 在全球范围内,中风是导致死亡和残疾的主要原因.
- 准确的中风预后对于确定血栓解压治疗的适用性至关重要.
- 现有的深度学习模型与小,不平衡的医疗数据集扎,导致过度匹配和性能下降.
研究的目的:
- 提出一种新的深度学习模型Strokeformer,
- 解决医疗数据集的过度配合和性能退化问题.
- 增强血栓治疗的临床决策.
主要方法:
- 开发了一种基于变压器的新型模块Strokeformer.
- 采用大规模,类平衡数据集的预训练和微调策略,其次是下游不平衡的数据集.
- 在20个公共OpenML数据集和两个私人临床中风预后数据集上验证了该模型.
主要成果:
- 在中风预测任务上,Strokeformer显著优于现有的比较模型.
- 预训练和微调方法有效地防止了对小,不平衡的数据集的过度匹配.
- 该模型在真实世界中风预后数据上显示出有希望的经验结果.
结论:
- Strokeformer为预测中风的预测提供了一个强大的解决方案,
- 拟议的培训模式有效地减轻了医疗应用的深度学习模型的过度适应.
- 虽然解释性仍然是一个挑战,但Strokeformer显示了对中风管理的临床决策支持的潜力.
