PSA-1DCNN:用于肺癌诊断的多模式生物标志物和文本集成

科学领域:

• 人工智能的人工智能
• 生物医学信息学 生物医学信息学
• 在瘤学瘤学.

背景情况:

• 整合各种医疗保健数据,如临床叙述和生物标志物,由于格式和语义异质性而具有挑战性.
• 现有的深度学习方法难以有效地融合临床文本和生物标志物,限制了精准医学应用.

研究的目的:

• 开发和评估一个新的深度学习框架,PSA-1DCNN,用于在肺癌检测中有效的多式联络数据集成.
• 研究合并临床文本和生物标记数据的最佳策略,以提高诊断准确度.

主要方法:

• 提出了一种并行自我注意1D卷积神经网络 (PSA-1DCNN),将文字的自我注意和生物标志物的1D CNNs结合起来.
• 探索了四种不同的融合策略,以优化跨模式信息集成.
• 在MIMIC-III和MIMIC-IV数据集上验证模型,与已建立的基线比较,如临床BERT,LSTM和1D-CNN.

主要成果:

• 在肺癌检测方面,PSA-1DCNN显著超过了最先进的方法.
• 在MIMIC-IV数据集上获得了98.4%的高F1得分.
• 从MIMIC-IV到MIMIC-III表现出强大的跨版本概括,并通过SHAP可解释性提供了临床相关的见解.

结论:

• 该PSA-1DCNN框架提供了一个可扩展和可解释的解决方案,用于整合异构的医疗保健数据模式.
• 这种方法促进了精确瘤学的发展,使得更准确的诊断和个性化的治疗策略成为可能.
• 强调了将先进的人工智能与多式联络数据相结合的潜力,以改善患者的治疗结果.