基于个体化先验信息的上下文感知深度学习：降低疾病风险预测和纵向健康评估中的假阳性
人工智能
2025-10-20 v1 计算机视觉与模式识别
摘要
医学中的时间上下文对于评估患者健康随时间的关键变化具有重要价值。我们开发了一种机器学习框架，用于整合来自先前访问的多样化上下文，以改进健康监测，尤其是在先前访问有限且频率可变的情况下。我们的模型首先使用来自最近一次患者就诊的数据估计算发病初始风险，然后通过整合来自先前收集的影像和/或临床生物标志物的信息来细化这一评估。我们将该框架应用于前列腺癌（PCa）风险预测，使用来自大规模人群（28,342 名患者，39,013 项MRI扫描，68,931 项血液检测）近十年收集的数据。在预测患者就诊时是否发生临床可显著 PCa 的风险时，整合先前上下文直接将假阳性转换为真阴性，提高了整体特异性，同时保持了高灵敏度。与仅使用单次访问数据相比，整合来自最多三次先前影像检查的信息，使假阳性率从 51% 降至 33%，并在纳入先前临床数据后进一步降至 24%。对于预测就诊后五年内 PCa 的风险，整合先前上下文进一步降低了假阳性率（从 64% 降至 9%）。我们的发现表明，随时间收集的信息为提高医学风险预测的特异性提供了相关上下文。对于广泛的进展性疾病，使用上下文显著降低假阳性率，为在相对较低基础疾病风险的人群中扩展纵向健康监测项目提供了路径，从而实现更早的检测并改善健康结果。
引用
@article{arxiv.2510.15591,
title = {Context-aware deep learning using individualized prior information reduces false positives in disease risk prediction and longitudinal health assessment},
author = {Lavanya Umapathy and Patricia M Johnson and Tarun Dutt and Angela Tong and Madhur Nayan and Hersh Chandarana and Daniel K Sodickson},
journal= {arXiv preprint arXiv:2510.15591},
year = {2025}
}
备注
18 pages, 5 figures, 1 table