基于时序变分自编码器的乳腺癌诱导骨溶解预测

目标与影响说明。我们采用深度学习模型对小鼠乳腺癌骨转移的计算机断层扫描（CT）图像进行骨溶解预测。给定前几个时间步的骨 CT 扫描，该模型结合了从序列图像中学到的骨-癌相互作用，并生成未来的 CT 图像。其预测癌侵骨中骨病变发展的能力可辅助评估 impending 骨折风险并为乳腺癌骨转移选择适当治疗。引言。乳腺癌常转移至骨，引起溶骨性病变，并导致骨骼相关事件（SREs），包括剧烈疼痛甚至致命骨折。尽管当前的成像技术可检测宏观骨病变，预测骨病变的发生与进展仍具挑战。方法。我们采用时序变分自编码器（T-VAE）模型，该模型结合变分自编码器与长短期记忆网络，在我们包含小鼠胫骨序列图像的 micro-CT 数据集上预测骨病变出现。给定早期周次的小鼠胫骨 CT 扫描，我们的模型可从数据中学习其未来状态分布。结果。我们在骨病变进展预测任务上将我们的模型与其他基于深度学习的预测模型进行对比测试。在各种评价指标下，我们的模型比现有模型产生更准确的预测。结论。我们开发了一个可准确预测并可视化溶骨性骨病变进展的深度学习框架。它将辅助规划和评估治疗策略以预防乳腺癌患者的 SREs。