灵活的基于Sinkhorn的最佳运输 晚期融合框架用于乳腺癌诊断
Michael Asiedu Asare1,2, Isaac Acquah1,2, Benjamin Appiah Yeboah2
1Biomedical Engineering Program, Department of Computer Engineering, Kwame Nkrumah University of Science and Technology, Kumasi, Ghana.
Cancer informatics
|February 26, 2026
概括
乳腺癌诊断的新型深度学习框架整合了他的病理学和临床数据,即使有不完整的信息,也显示出强大的性能. 这种人工智能工具在现实世界临床环境中提高了准确性和可靠性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 乳腺癌诊断依赖于整合各种数据,但临床数据往往不完整或异步.
- 现有的人工智能模型与数据异质性和碎片化工作流作斗争,限制了现实世界的适用性.
研究的目的:
- 开发和评估一个可临床部署的多式联络深度学习框架,用于强大的乳腺癌诊断.
- 为了应对数据异质性,异步,未配对或不完整的临床数据的挑战.
主要方法:
- 开发了一种多式深度学习架构,整合了他的病理图像和临床风险因素.
- 采用每个模式的定制模型,通过动态重量化的Sinkhorn基聚变层来实现晚期聚变.
- 使用PR-AUC,回忆,F1得分,Brier得分和决策曲线分析 (DCA) 评估性能,在模拟模式下测试稳定性.
主要成果:
- 辛克霍恩聚变模型实现了卓越的回忆 (0.96),PR-AUC (0.775),F1得分 (0.828) 和校准 (比尔得分≈0.19).
- 证明了显著的稳定性,保持完美的回忆 (1.00) 与50%的模式弃.
- 决策曲线分析证实了跨越各种值的显著临床效用.
结论:
- 该模型处理不完整和未配对数据的能力使其适合异步,资源受限制的设置.
- 代表了公平,可靠和可扩展的AI辅助乳腺癌查的重大进步.
- 第一个研究模型乳腺癌晚期融合作为一个最佳的运输问题,增强可解释性.
