一种新的虚拟患者方法,用于跨患者的多模式融合,以增强乳腺癌检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 多式医学成像 (乳腺造影,超声波,组织病理学) 显示出乳腺癌检测的前景.
• 临床实施受到不完整的患者匹配数据集和资源限制的阻碍.
• 传统方法需要完整的成像工作,限制实际使用.

研究的目的:

• 为了研究跨患者多式联接用于乳腺癌检测.
• 确定不同患者的成像模式的结合是否可以增强诊断信息.
• 解决临床环境中不完整的多式联运数据集的局限性.

主要方法:

• 开发了一个新的虚拟患者框架,用于跨患者的多式联接.
• 评估了两个训练范式:固定 (1:1:1组合) 和组合 (系统选择).
• 评估了融合架构,包括连接,注意力,平均和一个新的共同注意力机制.
• 使用了组织病理学 (BCSS),乳房学和超声波 (BUSI) 数据集进行评估.
• 使用ICIAR2018 BACH挑战数据集验证的概括性.

主要成果:

• 跨患者多模式融合显著优于单模式方法.
• 最佳融合 (组织病理学 - 乳房学) 获得了97.10%的准确率,比最佳单一模式 (准确率75.36%) 提高了21.74个百分点.
• 轮分析 (得分:0.894) 证实了真正的性能改善,而不是可视化工件.

结论:

• 跨患者多模式融合提高了乳腺癌检测准确度.
• 这种方法有效地利用异构的信息来源,克服不完整的患者匹配数据的局限性.
• 代表了在现实世界临床场景中改善诊断性能的范式转变.