一个平衡的多模式多任务深度学习框架,用于强大的特定患者的质量保证

科学领域:

• 人工智能的人工智能
• 医学物理 医学物理
• 辐射疗法 辐射疗法

背景情况:

• 多模式深度学习对于放射治疗中自动化患者特异性质量保证 (PSQA) 是至关重要的.
• 整合图像和表格数据可以提高质量指标的预测,如马传递率 (GPR) 和剂量差异 (DD).
• 模式不平衡,表格数据占主导地位,降低了模型的稳定性,特别是在任务异质性下.

研究的目的:

• 引入BMMQA (平衡的多模式质量保证),这是一个新的框架,以实现 PSQA 多模式深度学习的模式平衡.
• 通过解决模式不平衡,提高放射治疗质量保证的预测准确性和稳定性.

主要方法:

• 拟议的BMMQA框架,包括模式特定的损失因子,以实现受控的融合.
• 实施了特定任务的融合策略 (软最大加权注意力,空间级联).
• 使用Shapley值来量化模式贡献和基于模式贡献的任务权重计划.

主要成果:

• 在标准和更严格的GPR标准下,BMMQA的表现超过了现有的核聚变基线.
• 在剂量差异预测中,平均绝对误差 (MAE) 降低了15.7%.
• 在关键失效的情况下提高了稳定性,并在剂量分配预测方面达到0.964的SSIM峰值.

结论:

• 明确的模式平衡显著提高了PSQA的预测准确性和临床可靠性.
• 减轻对单一疗法过度依赖对于放射治疗中强大的AI至关重要.
• BMMQA建立了一个开创性的框架,用于医疗AI中的多任务多模式学习.