基于多模态数据的头颈肿瘤患者预后集成方法
图像与视频处理
2022-02-28 v1 计算机视觉与模式识别
机器学习
摘要
对肿瘤进行准确预后可帮助医生提供恰当的治疗方案,从而挽救许多生命。传统机器学习算法在过去几十年中在构建预后模型方面极为有用。近来,深度学习算法在开发针对不同医疗健康问题的诊断与预后解决方案中显示出显著改进。然而,这些解决方案大多仅依赖影像或临床数据之一。近期,在预后任务中采用多模态方法,将患者表格数据(如人口统计学信息与病史)与影像数据结合使用,已开始受到更多关注,并有望创建更精确的解决方案。使用临床与影像数据训练深度学习模型时的主要问题是如何融合这些来源的信息。我们提出一种多模态网络,集成深度多任务逻辑回归(MTLR)、Cox比例风险(CoxPH)与 CNN 模型,利用患者的临床与影像(CT 和 PET)数据预测头颈肿瘤患者的预后结果。来自 CT 与 PET 扫描的特征被融合,然后与患者的电子健康记录结合用于预测。所提模型分别在 224 和 101 条患者记录上训练与测试。实验结果表明,我们提出的集成方案在 HECKTOR 测试集上取得了 0.72 的 C-index,使我们在 HECKTOR 挑战赛的预后任务中获得第一名。基于 PyTorch 的完整实现可在 \url{https://github.com/numanai/BioMedIA-Hecktor2021} 获取。
引用
@article{arxiv.2202.12537,
title = {An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data},
author = {Numan Saeed and Roba Al Majzoub and Ikboljon Sobirov and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2202.12537},
year = {2022}
}
备注
9 pages, 5 figures