用于冠心病 CT 血管造影患者准确风险分层与后续步骤预测的多任务深度学习
机器学习
2023-09-04 v1 神经与进化计算
摘要
诊断检查在疑似及确诊冠心病（CAD）患者的风险分层与临床决策中具有重要作用。然而，现有工具大多聚焦于守门人检查的选择，仅少数系统包含有关下游检查或治疗的信息。我们提出一种多任务深度学习模型，以支持接受冠状动脉计算机断层扫描血管造影（CCTA）患者的风险分层与下游检查选择。分析纳入 2006 至 2017 年间接受 CCTA 的 14,021 名患者。我们新颖的多任务深度学习框架扩展了最先进的 Perceiver 模型以处理真实世界 CCTA 报告数据。我们的模型在 CAD 风险分层中达到受试者工作特征曲线下面积（AUC）0.76，在预测下游检查中达到 0.72 AUC。我们所提出的深度学习模型可基于既往 CCTA 数据准确估计 CAD 可能性并推荐下游检查。在临床实践中，此类方法的应用可能带来风险分层与下游管理的范式转变。尽管使用深度学习模型处理表格数据已取得显著进展，它们仍未能超越梯度提升决策树，该领域尚需进一步研究。然而，神经网络似乎比基于树的模型更易从多任务学习中获益。这或可弥补处理表格数据时采用单任务学习方法的不足。
引用
@article{arxiv.2309.00330,
title = {Multitask Deep Learning for Accurate Risk Stratification and Prediction of Next Steps for Coronary CT Angiography Patients},
author = {Juan Lu and Mohammed Bennamoun and Jonathon Stewart and JasonK. Eshraghian and Yanbin Liu and Benjamin Chow and Frank M. Sanfilippo and Girish Dwivedi},
journal= {arXiv preprint arXiv:2309.00330},
year = {2023}
}