基于深度学习和 XGBoost 的肺栓塞患者死亡率预测
图像与视频处理
2024-11-28 v1 计算机视觉与模式识别
机器学习
摘要
肺栓塞（PE）是一种严重的心血管疾病，仍是死亡和关键疾病的主要原因，凸显了需要增强诊断策略的需求。常规临床方法在预测 PE 患者 30 天住院死亡率方面效果有限。本研究提出了一种新算法，称为 PEP-Net，用于基于初始影像数据（CT）进行 30 天死亡率预测，该系统巧妙地将 3D Residual Network（3DResNet）与 Extreme Gradient Boosting（XGBoost）算法集成，用于患者水平二分类标签，无需对栓塞及其范围进行注释。我们提出的系统通过处理类别不平衡问题、通过正则化减少过拟合以及降低预测方差来实现更稳定的预测。PEP-Net 在 193 例确诊急性 PE 的体积 CT 扫描中进行了测试，显示出优于基线模型（76-78%）的优异性能，在输入肺区（Lung-ROI）或心脏区（Cardiac-ROI）时，准确率分别为 94.5%（±0.3）和 94.0%（±0.7）。我们的结果推进了 PE 预后评估，通过仅使用初始影像数据设定了该领域的新基准。虽然纯粹的深度学习模型已成为许多医学分类（诊断）任务的首选，但本研究中结合 ResNet 和 XGBoost 模型优于单一深度学习模型，这可能是由于数据量不足的原因。
引用
@article{arxiv.2411.18063,
title = {Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost},
author = {Yalcin Tur and Vedat Cicek and Tufan Cinar and Elif Keles and Bradlay D. Allen and Hatice Savas and Gorkem Durak and Alpay Medetalibeyoglu and Ulas Bagci},
journal= {arXiv preprint arXiv:2411.18063},
year = {2024}
}
备注
Published at IEEE ICECCME 2024, Maldives, 4-6 November 2024