MCFL:为哈西莫托的甲状腺炎识别多模式协作融合学习

科学领域:

• 医疗成像医学成像
• 生物化学 生物化学
• 人工智能在医学中的应用

背景情况:

• 哈西莫托的甲状腺炎 (HT) 诊断依赖于超声波成像和生物化学测试,但单独是不够的.
• 现有的多式联运模型在图像和文本数据之间的特征维度不平衡中扎.
• 准确的HT诊断需要有效地整合各种数据模式.

研究的目的:

• 提出一种新的多模式协作融合学习 (MCFL) 方法,以加强HT诊断.
• 用超声波图像数据提高生物化学指标的意义和特异性.
• 为了克服现有的多式联运模式在处理方面的局限性,特征是维度不平衡.

主要方法:

• 开发了一种新的INNet,将超声波图像特征转换为局部突出炎症 (Lpi) 和全球扩散病变 (Gdl) 指标.
• 采用基于决策树的优化策略,使用Lpi和Gdl重新校准生物化学指标.
• 利用了深度Q学习框架与经验重复和e-greedy战略用于诊断指导和模型稳定性.

主要成果:

• 通过超声波图像数据,MCFL有效地增强和重新校准生物化学指标.
• 该方法将图像和文本数据统一到一个单一的表示空间中.
• 在来自多个医疗中心的多式联络数据集上实现了最先进的性能.

结论:

• 在HT诊断的多式联络学习中,MCFL提供了显著的进步.
• 拟议的方法为诊断哈西莫托甲状腺炎的准确性和稳定性设定了新的基准.
• 通过协作融合学习整合成像和生物化学数据对于复杂疾病诊断至关重要.