用于非小细胞肺癌预后分析的多模态学习
计算机视觉与模式识别
2022-11-08 v1 人工智能
摘要
本文关注肺癌生存时间分析任务。尽管近年来该问题已取得诸多进展，现有方法的性能仍远不能令人满意。传统的以及部分基于深度学习的肺癌生存时间分析大多基于分期、年龄、组织学等文本临床信息。与现有基于单模态预测的方法不同，我们观察到人类临床医生通常利用文本临床数据与视觉扫描等多模态数据来估计生存时间。受此启发，本工作中我们提出一个名为 Lite-ProSENet 的用于生存分析的智能跨模态网络，其模拟人类的决策方式。我们使用来自 The Cancer Imaging Archive (TCIA) 的 422 名 NSCLC 患者的数据进行了大量实验。结果表明，我们的 Lite-ProSENet 优于所有对比方法，并以 89.3% 的一致性（concordance）达到新的 SOTA。代码将公开可用。
引用
@article{arxiv.2211.03280,
title = {Multimodal Learning for Non-small Cell Lung Cancer Prognosis},
author = {Yujiao Wu and Yaxiong Wang and Xiaoshui Huang and Fan Yang and Sai Ho Ling and Steven Weidong Su},
journal= {arXiv preprint arXiv:2211.03280},
year = {2022}
}
备注
11 pages, 6 figures, Multimodal learning, NSCLC, Survival analysis, Transformer