DeepMMSA：一种用于非小细胞肺癌生存分析的新颖多模态深度学习方法
图像与视频处理
2021-06-15 v1 计算机视觉与模式识别
摘要
肺癌是全球癌症死亡的首要原因。导致死亡的关键原因是诊断延迟和预后不良。随着深度学习技术的加速发展，其已成功广泛应用于许多现实场景，包括医疗影像解读和疾病诊断等卫生领域。通过结合更多参与信息处理的模态，多模态学习能够提取更好的特征并提升预测能力。传统的肺癌生存分析方法通常仅利用临床数据并提供统计概率。为提高生存预测准确率并辅助医学专家的临床预后决策，我们首次提出一种用于非小细胞肺癌(NSCLC)生存分析的多模态深度学习方法，命名为DeepMMSA。该方法结合CT图像与临床数据，使医学图像中蕴含的丰富信息能够与肺癌生存信息相关联。我们在来自癌症影像档案库(The Cancer Imaging Archive, TCIA)的422名NSCLC患者数据上验证了该方法。实验结果支持了我们的假设，即预后信息与放射组学图像之间存在潜在关系。此外，定量结果表明所建立的多模态模型可应用于传统方法，并有望突破现有方法的瓶颈，使总体人群中一致对(正确预测对)的比例提高4%。
引用
@article{arxiv.2106.06744,
title = {DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell Lung Cancer Survival Analysis},
author = {Yujiao Wu and Jie Ma and Xiaoshui Huang and Sai Ho Ling and Steven Weidong Su},
journal= {arXiv preprint arXiv:2106.06744},
year = {2021}
}
备注
7 Submitted to IEEE TBME