探索多模态数据集成与增强方法以提高不平衡数据集中髋内动脉栓塞预测准确性
医学物理
2024-11-22 v1
摘要
本研究评估了用于预测颅内动脉瘤（IA）治疗结果的多模态机器学习框架。该框架旨在通过结合血管图谱参数化成像（API）、患者生物标志物和疾病形态学，提高预后预测准确性。对340名患者的数据进行分析，分别使用深度神经网络处理定量数据和定性数据。这些网络的预决策层被串联连接到最终预测网络中。各种数据增强策略，包括用于名义和连续数据的合成少数过采样技术（SMOTE NC），解决了数据集的不平衡问题。通过蒙特卡洛交叉验证评估的性能指标显示，增强在中间融合模型中尤其显著地提高了性能。这一研究验证了该框架在准确预测IA治疗结果方面的有效性，表明数据增强技术可以显著提高模型性能。
引用
@article{arxiv.2411.14407,
title = {Exploring Methods for Integrating and Augmenting Multimodal Data to Improve Prognostic Accuracy in Imbalanced Datasets for Intraoperative Aneurysm Occlusion},
author = {Parisa Naghdi and Mohammad Mahdi Shiraz Bhurwani and Ahmad Rahmatpour and Parmita Mondal and Michael Udin and Kyle A Williams and Swetadri Vasan Setlur Nagesh and Ciprian N Ionita},
journal= {arXiv preprint arXiv:2411.14407},
year = {2024}
}
备注
6 pages