MIA-Prognosis：预测治疗反应的深度学习框架
机器学习
2020-10-09 v1 人工智能
摘要
预测临床结果非常重要但也极具挑战性。研究工作一直致力于寻找与治疗反应和/或患者生存率相关的重要生物标志物。然而，这些生物标志物通常昂贵且具有侵入性，并且对于新型疗法可能无法令人满意。另一方面，多模态、异构、未对齐的时序数据在临床实践中不断产生。本文旨在利用易于获取的数据（如放射影像、实验室和临床信息），提出一种统一的深度学习方法来预测患者预后和治疗反应。先前的工作侧重于对单一数据模态进行建模，或忽略了时序变化。重要的是，临床时间序列在实践中是异步的，即以不规则的时间间隔记录。在本研究中，我们将预后建模形式化为多模态异步时间序列分类任务，并提出一个包含测量、干预和评估（MIA）信息的 MIA-Prognosis 框架来预测治疗反应，其中开发了一个简单时序注意力（SimTA）模块来处理异步时间序列。在合成数据集上的实验验证了 SimTA 相对于基于标准 RNN 方法的优越性。此外，我们在一个内部回顾性真实世界非小细胞肺癌患者抗 PD-1 免疫治疗数据集上对所提出的方法进行了实验。该方法在预测免疫治疗反应方面取得了令人鼓舞的性能。值得注意的是，我们的预测模型还能进一步根据长期生存率对低风险和高风险患者进行分层。
引用
@article{arxiv.2010.04062,
title = {MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response},
author = {Jiancheng Yang and Jiajun Chen and Kaiming Kuang and Tiancheng Lin and Junjun He and Bingbing Ni},
journal= {arXiv preprint arXiv:2010.04062},
year = {2020}
}
备注
MICCAI 2020 (Early Accepted; Student Travel Award)