纵向多源临床模型用于早期肺癌风险分层和查
Chia-Hui Chien1,2,3, Shih-Chuan Chang4, Yung-Chun Chang5,6
1Department of Computer Science, Middlesex University, London, UK.
BMJ health & care informatics
|February 24, 2026
概括
一个新的深度学习模型使用常规医疗保健数据进行肺癌查. 这种轻量级的方法可以识别高风险个体,改善资源有限的早期检测.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 肺癌是全球癌症死亡的主要原因,通常在晚期被诊断出来.
- 目前的查方法,如低剂量CT,在资源有限的环境中无法使用.
- 早期检测对于改善肺癌患者预后至关重要.
研究的目的:
- 开发一种轻量级的多通道卷积神经网络 (CNN) 来支持肺癌查.
- 以使用常规的诊断前医疗保健数据来实现纵向风险分层.
- 为各种临床环境提供一个具有成本效益和可访问的查工具.
主要方法:
- 一项回顾性队列研究利用了台湾国家健康保险研究数据库 (99,615人).
- 常规数据 (诊断码,药物,订单) 在36个月的时间里被提取出来.
- 采用日志概率比特征选择和多通道CNN架构进行分析.
主要成果:
- 美国有线电视新闻网 (CNN) 的F1得分为0.5738和AUROC为0.8316,表现优于基线方法.
- 医疗订单是主要的预测特征;药物数据显示价值有限.
- 常规的医疗保健利用模式,而不是癌症特征,推动了风险分层.
结论:
- 轻量级的CNN模型在肺癌风险分层方面表现强.
- 它可以在资源有限的环境中部署,作为初步选工具.
- 使用临床数据的深度学习模型为肺癌查提供了可扩展的解决方案.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
2.2K
08:14MicroRNA Based Liquid Biopsy: The Experience of the Plasma miRNA Signature Classifier MSC for Lung Cancer Screening
Published on: October 26, 2017
16.3K
