预测肺癌存活率与基于注意力的CT切片组合
Domenico Paolo1, Carlo Greco2,3, Edy Ippolito2,3
1Unit of Artificial Intelligence and Computer Systems, Department of Engineering, University Campus Bio-Medico of Rome, Rome, Italy.
Health information science and systems
|January 6, 2026
概括
这项研究引入了一种新的深度学习方法,用于使用CT扫描预测非小细胞肺癌 (NSCLC) 患者的2年总生存期 (OS). 该方法利用EfficientNetB0和注意力机制,优于现有方法,并显示出个性化癌症预后的前景.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 对非小细胞肺癌 (NSCLC) 的准确预后对于有效的患者管理和治疗计划至关重要.
- 尽管深度学习取得了进展,但在NSCLC中预测整体存活率 (OS) 仍然是一个挑战.
- 目前的方法可能无法充分利用深度学习的潜力,用于使用医学成像进行生存分析.
研究的目的:
- 开发和验证一种新的深度学习方法,用于从CT扫描中预测NSCLC患者的2年生存期.
- 将CT扫描功能与软注意力机制集成在一起,以识别具有预后意义的图像片.
- 将拟议的方法与基准3D网络进行比较,并评估其与不同骨干和转移学习的适应性.
主要方法:
- 这是一种新的深度学习方法,它结合了EfficientNetB0用于CT切片表示和软注意力机制,以专注于风险评估的相关切片.
- 使用公共LUNG1数据集和私有数据集进行验证,并与基准3D卷积神经网络进行比较.
- 在私有数据集上探索转移学习,以评估在数据有限环境中的性能.
主要成果:
- 拟议的方法在LUNG1数据集上实现了0.584的平均C指数,超过了基准3D网络.
- 结合2D切片表示来形成3D体积表示,对于OS预测比传统的3D方法更有效.
- 转移学习显著改善了私人数据集的表现,C指数增加了0.076.
结论:
- 开发的深度学习方法有效地预测使用CT扫描的NSCLC患者的2年总生存期.
- 以注意力为基础的方法将2D切片信息集成到3D表示中,对于这个任务来说,它优于传统的3D方法.
- 转移学习提供了一种可行的策略,可以在有限的患者数据的情况下提高预测准确性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
2.0K
