用于个性化肾细胞癌预后的多模态深度学习：整合 CT 影像与临床数据
计算机视觉与模式识别
2023-07-10 v1 人工智能
摘要
肾细胞癌是一项全球性的重大健康挑战，生存率较低。本研究旨在设计一种综合深度学习模型，通过整合 CT 影像与临床数据来预测肾细胞癌患者的生存概率，并解决既往研究中观察到的局限性。其目的是便于识别需要紧急治疗的患者。所提出的框架包含三个模块：3D 图像特征提取器、临床变量选择和生存预测。基于 3D CNN 架构的特征提取器模块从 CT 图像中预测与死亡率相关的肾细胞癌肿瘤的 ISUP 分级。一组临床变量以斯皮尔曼分数和随机森林重要性分数作为标准被系统性地筛选。一个基于深度学习的网络，采用离散 LogisticHazard 损失进行训练，执行生存预测。我们进行了九项不同的实验，通过斯皮尔曼和重要性分数的不同阈值确定不同数量的临床变量。我们的结果表明，所提出的策略在基于 CT 扫描和临床因素的肾癌预后方面超越了现有文献。表现最佳的实验在测试队列上获得了 0.84 的一致性指数和 0.8 的曲线下面积值，显示出较强的预测能力。本研究中开发的多模态深度学习方法在利用 CT 影像和临床数据估计肾细胞癌患者生存概率方面展现出有前景的结果。这可能对识别需要紧急治疗的患者具有潜在意义，从而潜在地改善患者预后。本项目所创建的代码已在 \href{https://github.com/Balasingham-AI-Group/Survival_CTplusClinical}{GitHub} 上公开。
引用
@article{arxiv.2307.03575,
title = {Multimodal Deep Learning for Personalized Renal Cell Carcinoma Prognosis: Integrating CT Imaging and Clinical Data},
author = {Maryamalsadat Mahootiha and Hemin Ali Qadir and Jacob Bergsland and Ilangko Balasingham},
journal= {arXiv preprint arXiv:2307.03575},
year = {2023}
}