为3D医学成像提供实时培训
Zepeng Huo1, Jason Alan Fries1, Alejandro Lozano2
1Center for Biomedical Informatics Research, Stanford University.
... International Conference on Learning Representations
|March 3, 2026
概括
新的预训练将3D成像与电子健康记录 (EHR) 集成在一起,以预测疾病风险. 这种方法克服了缺失的上下文问题,改善了结果预测和识别新型成像生物标志物.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 生物医学信息学 生物医学信息学
背景情况:
- 医疗基础模型和成像数据正在增长.
- 目前用于3D成像模型的自我监督方法捕捉了局部特征,但错过了长期结果预测的时间上下文.
- 一个缺乏背景的问题限制了将成像生物标志物与疾病进展联系起来.
研究的目的:
- 为3D医学成像模型引入时间到事件预训练.
- 为了利用纵向电子健康记录 (EHR) 进行时间监督.
- 为了确定可预测未来疾病风险的成像生物标志物.
主要方法:
- 开发了一个预训练框架,使用配对的,纵向的EHR数据与18,945张CT扫描.
- 利用了对数千个EHR衍生任务的事件时间分布来进行监督.
- 对8个基准结果预测任务的评估绩效.
主要成果:
- 在结果预测中实现了平均AUROC增加23.7%.
- 在基准任务中,Harrell的C指数获得了29.4%的收益.
- 保持了诊断分类的性能.
结论:
- 时间到事件预训练有效地整合了纵向EHR和3D成像数据.
- 该方法通过识别与长期健康结果相关的成像生物标志物来增强临床风险预测.
- 这种方法促进了疾病风险评估的医学基础模型的开发.
