AEGFN:通过冲突补偿和DS证据理论驱动的规范化来预测医疗图像的适应性证据关闭的融合网络
Xueping Tan1, Hao Wang1, Shudong Hu2
1School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, People's Republic of China.
Biomedical physics & engineering express
|November 6, 2025
概括
这项研究引入了自适应证据融合网络 (AEGFN),以改善多式联络医疗数据融合,以实现准确的临床预测. 这种新的方法提高了医学图像预测和决策支持系统的可靠性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 多模式数据融合多模式数据融合
- 临床决策支持系统 临床决策支持系统
背景情况:
- 医学成像中的多模式数据融合面临着可靠性和证据冲突的挑战,影响临床决策.
- 现有的方法很难有效地管理来自CT扫描,图像序列和临床数据等不同数据源的不确定性和相互矛盾的信息.
研究的目的:
- 为多式联运医疗数据融合开发一个强大的框架,解决可靠性和证据冲突问题.
- 提高医学图像预测的准确性和可解释性,以改善临床决策支持.
主要方法:
- 提出了一个适应性证据接网络 (AEGFN),利用德姆斯特-沙弗 (DS) 证据理论.
- 使用迪里克莱分布建模证据质量和不确定性,并引入了动态聚变重量调整的证据注意门 (EAG).
- 实现了混合损失函数,将KL分歧规范化和不确定性加权交叉结合起来.
主要成果:
- 在结直肠癌预测方面,AEGFN的准确率达到95.04% (AUC 0.97),在辐射性肺炎预测方面,准确率达到82.34% (AUC 0.8312).
- 在各自的分类任务中,超过了最先进的DDEF方法的0.66%和1.94%.
- 在处理高冲突模式和补偿不确定性方面表现卓越.
结论:
- 该AEGFN提供了一个强大的和可解释的解决方案,用于多式联络医疗预测.
- 该框架通过有效管理多式联运数据融合挑战,显著提高了临床决策支持系统的可靠性.