用于肺癌筛查研究中生存分析的混合 CNN-RNN 方法
机器学习
2023-03-21 v1
摘要
在本研究中，我们提出一种混合 CNN-RNN 方法来探究肺癌筛查研究中受试者的长期生存。因心血管与呼吸原因死亡的受试者被识别出来，其中 CNN 模型用于捕捉 CT 扫描中的影像特征，RNN 模型用于研究时间序列从而获取全局信息。模型在因心血管与呼吸死亡受试者及按参与者年龄、性别和吸烟史匹配的控制队列上训练。该组合模型可达到 0.76 的 AUC，优于人工心血管死亡预测。相应的 F1 与马修斯相关系数分别为 0.63 与 0.42。该模型的泛化能力在“外部”队列上得到进一步验证。相同模型被应用于结合 Cox 比例风险模型的生存分析。结果表明，纳入随访史可改善生存预测。Cox 神经网络在内部数据集上达到 0.75 的 IPCW C-index，在外部数据集上达到 0.69。刻画与长期生存相关的影像特征有助于合理聚焦预防性干预，尤其针对未被充分识别的病变，从而潜在降低患者发病率。
引用
@article{arxiv.2303.10789,
title = {A hybrid CNN-RNN approach for survival analysis in a Lung Cancer Screening study},
author = {Yaozhi Lu and Shahab Aslani and An Zhao and Ahmed Shahin and David Barber and Mark Emberton and Daniel C. Alexander and Joseph Jacob},
journal= {arXiv preprint arXiv:2303.10789},
year = {2023}
}