相关实验视频
使用U-Net,DeepSurv和交叉注意力进行肺癌分类和生存预测的综合模型的设计
Mattakoyya Aharonu1, LokeshKumar Ramasamy2
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, 632014, India.
Scientific reports
|December 3, 2025
概括
这项研究引入了一种代深度学习框架,用于精确的肺癌分类和生存预测. 该模型增强了瘤细分,并整合了多模式数据,以提高诊断准确度和实时预后.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 肺癌的死亡率很高,需要准确的分类和生存预测.
- 现有的模型在多式联运数据集成和代性能改进方面扎.
- 目前的方法缺乏对新患者数据的持续学习能力,而不会降低性能.
研究的目的:
- 提出一个代的多模型深度学习框架,用于增强肺癌亚型分类和生存率预测.
- 解决单一模式方法和非线性数据交互的局限性.
- 实现实时,适应性学习,以改善临床应用.
主要方法:
- 利用U-Net进行代的特征改进和精确的瘤细分.
- 采用卷积神经网络 (CNN) 和多层感知子 (MLP) 来实现放射学,遗传学和基因组数据的特征级融合.
- 集成DeepSurv与贝叶斯优化和弹性重量巩固 (EWC) 进行生存预测和增量学习.
- 整合了一种多式联络注意力机制,用于歧视性特征选择.
主要成果:
- 获得了90-95%的子相似性,用于瘤细分的准确性.
- 肺癌亚型分类准确度提高了85-90%.
- 获得了强大的生存预测,C指数约为0.75-0.80.
- 证明了适应性学习,以持续改进模型.
结论:
- 拟议的框架为肺癌诊断和预后提供了一个端到端的解决方案.
- 代改进和多式联运数据集成显著提高了分类和生存预测的准确性.
- 适应性学习能力支持实时临床应用和持续的性能改进.