一个基于时间序列的多模式深度学习方法,用于肺结节生长预测
Duc-Khanh Nguyen1, Ai-Hsien Adams Li2,3, Yen-Jun Lai4
1Department of Information Management, Yuan Ze University, Taoyuan, 320, Taiwan.
Journal of imaging informatics in medicine
|December 16, 2025
概括
这项研究引入了一种多模式深度学习方法,使用CT扫描,患者数据和结节特征准确预测肺结节的生长. 该模型显著提高了预测准确性,帮助临床决策,以获得更好的患者结果.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 放射学和瘤学 放射学和瘤学
背景情况:
- 精确监测肺结节的生长对于患者的治疗结果和临床决策至关重要.
- 肺结节虽然往往是良性的,但需要仔细监测以检测潜在的恶性变化.
研究的目的:
- 开发和验证一种多模式深度学习方法,用于增强肺结节生长预测.
- 将时间序列CT图像数据与患者人口统计和结节特征集成,以提高预测准确度.
主要方法:
- 使用远东纪念医院的CT图像序列,人口统计数据和结节特征开发了一个多式模式深度学习框架.
- 用准确度,精度,灵敏度,F1得分和曲线下的面积 (AUC) 来评估模型性能.
- 框架内的重复框架策略表现出最佳的性能.
主要成果:
- 多模式深度学习框架显著超过了传统的机器学习和单模式模型.
- 重复策略实现了高性能指标:0.929准确度,0.878精度,0.908灵敏度,0.878F1得分和0.977AUC.
- 统计分析 (paired t-test) 证实了与基线模型相比的显著改善 (p < 0.05).
结论:
- 开发的多式联络深度学习模型有效地整合了各种数据类型,用于高级肺结节生长预测.
- 这种方法为肺结节管理中的临床决策支持提供了可靠的工具,有可能改善患者的护理.
- 深度学习技术在推进关键医疗保健应用 (如肺结节监测) 中显示出变革性的潜力.
