用于诊断质母细胞瘤进展的因果干预分离的多样化合成
Qiang Li1, Xinlu Tang2, Hailiang Tang3
1School of Data and Computer Science, Shandong Women's University, Jinan, 250002, China; Biomedical Image and Health Informatics Lab, School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, 200030, China.
Computers in biology and medicine
|September 1, 2025
概括
一种名为多元化合成与因果干预分离 (DS-CIS) 的新方法可以准确地区分质母细胞瘤伪进展与真正的瘤进展. 这种方法提高了治疗后质母细胞瘤患者的诊断可靠性.
科学领域:
- 医学成像
- 在瘤学中使用人工智能
- 神经瘤学
背景情况:
- 治疗后的质母细胞瘤 (GBM) 患者经常表现出伪进展 (PsP),模仿真正的瘤进展 (TTP).
- 准确区分PsP和TTP对于适当的治疗策略至关重要.
- 目前的自动化模型由于数据稀缺和非因果特征的影响而面临限制.
研究的目的:
- 开发一个可靠诊断GBM进展的自动化模型,区分PsP和TTP.
- 通过解决数据局限性和非因果特征干扰,提高诊断模型的准确性和稳定性.
主要方法:
- 提出了多元化合成与因果干预分离 (DS-CIS) 方法.
- 采用多元化合成策略,使用多参数空间转换和一致性约束来增加数据多样性和提取区分特征.
- 实施因果干预分离机制以隔离因果特征与非因果特征进行诊断.
主要成果:
- 与GBM临床数据的现有模型相比,DS-CIS方法显示出更高的性能.
- 通过DS-CIS获得的因果特征可视化与已知的临床理解相一致.
- 这种方法有效地减轻了非因果特征的影响,例如病变邻近的纹理.
结论:
- DS-CIS提供了一个准确可靠的方法来诊断GBM的进展,区分伪进展和真正进展.
- 开发的方法为医学成像分析提供了有价值的范式,特别是在瘤行为中区分微妙的差异.
- 结构多样化和因果特征分离的整合增强了AI在神经瘤学的临床实用性.
