通过进展学习预测不可逆疾病
计算机视觉与模式识别
2021-04-14 v2
摘要
预测视盘旁萎缩（PPA），即与大多数不可逆眼病相关的症状，可为在早期实施干预以减缓疾病进展提供警报。该预测的一个关键问题是：如何充分利用截至当前阶段的历史数据（如视网膜图像）进行未来疾病预测？在本文中，我们用一个名为\textbf{通}过\textbf{进}展\textbf{学}习预测疾病（\textbf{DFPL}）的新框架给出答案，其利用了不可逆先验（即一旦确诊便不可逆转）。具体而言，基于该先验，我们分解出有助于未来疾病预测的两个因素：i）给定当前数据（视网膜图像、临床属性）的当前疾病标签；ii）给定从当前到未来的视网膜图像进展的未来疾病标签。为对这两个因素建模，我们分别在 DFPL 中引入当前预测器与进展预测器。为考虑疾病的进展程度，我们提出一种时序生成模型以准确生成未来图像，并将其与当前图像比较得到残差图像。该生成模型由循环神经网络实现，以利用历史数据的依赖性。为验证我们的方法，我们将其应用于一个 PPA 内部数据集，其相较其他方法取得了显著改进（例如准确率提升 \textbf{4.48\%}；AUC 提升 \textbf{3.45\%}）。此外，我们的生成模型能准确定位疾病相关区域。
引用
@article{arxiv.2012.11107,
title = {Forecasting Irreversible Disease via Progression Learning},
author = {Botong Wu and Sijie Ren and Jing Li and Xinwei Sun and Shiming Li and Yizhou Wang},
journal= {arXiv preprint arXiv:2012.11107},
year = {2021}
}