NYCTALE：用于自适应和个性化肺结节侵袭性预测的神经证据 Transformer
计算机视觉与模式识别
2024-02-16 v1 机器学习
神经与进化计算
图像与视频处理
摘要
受灵长类大脑引人入胜的证据积累过程的启发，并在认知心理学和神经科学模型的指导下，本文介绍了 NYCTALE 框架，这是一种受神经启发且基于证据积累的 Transformer 架构。所提出的受神经启发的 NYCTALE 为肺癌诊断领域的个性化医疗（PM）提供了一条新途径。在自然界中，Nyctales（夜鸮）是小型猫头鹰，以其夜行性行为而闻名，主要在夜间黑暗中捕猎。NYCTALE 以类似的警惕方式运行，即以基于证据的方式处理数据并动态/自适应地进行预测。与传统的基于计算机断层扫描（CT）的深度学习（DL）模型不同，NYCTALE 仅在积累了足够数量的证据时才进行预测。换句话说，不是处理所有或预定义的 CT 切片子集，而是为每个人一次提供一张切片。NYCTALE 框架随后计算与每张新 CT 图像贡献相关的证据向量。一旦总积累证据超过特定阈值，即做出决策。初步实验分析是在一个包含 114 名受试者的具有挑战性的内部数据集上进行的。结果值得注意，表明即使在该要求苛刻的小型数据集上使用减少约 60% 的训练数据，NYCTALE 的表现也优于基准准确率。
引用
@article{arxiv.2402.10066,
title = {NYCTALE: Neuro-Evidence Transformer for Adaptive and Personalized Lung Nodule Invasiveness Prediction},
author = {Sadaf Khademi and Anastasia Oikonomou and Konstantinos N. Plataniotis and Arash Mohammadi},
journal= {arXiv preprint arXiv:2402.10066},
year = {2024}
}