面向预测乳腿癌未来事件的奥尔德学习：长期注意力对齐模型
图像与视频处理
2024-09-12 v1 计算机视觉与模式识别
摘要
精准乳腿癌 (BC) 风险评估对于开发个体化筛查和预防至关重要。尽管最近基于乳腿影像 (MG) 的深度学习模型在预测 BC 风险方面前景广阔，但它们大多忽略了患者之间及患者内部 '时间到未来事件' 的排序，并对如何追踪乳腺组织随时间的变化缺乏深入探索，从而限制了其临床应用。在本工作中，我们提出了一种新方法，命名为 OA-BreaCR，用于精确建模 BC 事件的时间顺序关系，并以更可解释的方式融合乳腺组织的长期变化。我们在公开的 EMBED 数据集和内部数据集上对该方法进行了验证，与现有的 BC 风险预测和时间预测方法进行了比较。我们的奥尔德学习方法 OA-BreaCR 在 BC 风险和时间到未来事件预测任务中均优于现有方法。此外，奥尔德热图可视化显示模型在时间上的注意力。我们的发现凸显了在提高乳腿癌筛查和预防方面，具有可解释性和精确性风险评估的重要性。该代码将对公众开放。
引用
@article{arxiv.2409.06887,
title = {Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms},
author = {Xin Wang and Tao Tan and Yuan Gao and Eric Marcus and Luyi Han and Antonio Portaluri and Tianyu Zhang and Chunyao Lu and Xinglong Liang and Regina Beets-Tan and Jonas Teuwen and Ritse Mann},
journal= {arXiv preprint arXiv:2409.06887},
year = {2024}
}