定制的SAM-Med3D与多视图表示融合和年龄级分层损失用于质瘤生存风险预测

科学领域:

• * 医学中的人工智能
• * 医学成像分析分析
• * 瘤学 瘤学是一门专业.

背景情况:

• *准确的生存风险预测对于个性化质瘤治疗至关重要.
• * 医学图像基础模型为分析复杂的预后特征提供了潜力.
• *现有的方法可能无法充分利用多式联络数据或临床知识.

研究的目的:

• * 开发SAM-风险,这是一个先进的模型,用于预测质瘤存活风险.
• * 整合多模式MRI,放射学和临床数据,以提高预后准确度.
• * 通过年龄级分层损失函数来结合临床知识.

主要方法:

• *开发了一个3D表示生成模块,将1D特征转换为3D表示.
• * 实现了多视图表示融合模块,将MRI和其他功能结合起来.
• *使用了定制的SAM-Med3D模型,使用LoRA进行了微调,以及一个功能改进模块.
• * 引入了基于质瘤预后标准的年龄级分层损失函数.

主要成果:

• *SAM风险在UCSF-PDGM数据集上实现了75.08%的C指数.
• *SAM风险在BraTS2020数据集上实现了73.67%的C指数.
• *该模型的表现优于现有的几种生存风险预测方法.

结论:

• *SAM-Risk通过整合多模式数据和临床知识,有效预测结质瘤生存风险.
• * 拟议的融合策略和分层损失提高了模型性能和临床相关性.
• *这种方法有望改善质瘤患者个性化治疗决策.