基于上下文感知序贯并行混合变换器与丰富临床信息的特发性肺纤维化预后模型
图像与视频处理
2025-10-28 v1
摘要
特发性肺纤维化（IPF）是一种进行性疾病，会不可逆地将肺组织转化为僵硬的纤维化结构，导致呼吸困难和慢性疲劳等症状。该疾病在严重程度和进展速率方面的异质性和复杂性使得预测其未来病程成为一项复杂而艰巨的任务。此外，基于临床评估和影像学的传统诊断方法在捕捉疾病复杂性方面存在局限性。利用Kaggle肺纤维化进展数据集（包含计算机断层扫描图像和临床信息），该模型预测用力肺活量（FVC）的变化，FVC是一个关键进展指标。我们的方法采用一种提出的上下文感知序贯并行混合变换器模型与临床信息增强进行预测。所提出的方法取得了-6.508的拉普拉斯对数似然得分，超越了先前方法，展示了优越的预测能力。这些结果凸显了先进深度学习技术在提供更准确和更及时预测方面的潜力，为IPF的诊断和管理提供了一种变革性方法，对改善患者预后和治疗进展具有重要意义。
引用
@article{arxiv.2503.00386,
title = {Prognostic Model for Idiopathic Pulmonary Fibrosis Using Context-Aware Sequential-Parallel Hybrid Transformer and Enriched Clinical Information},
author = {Mahdie Dolatabadi and Shahabedin Nabavi and Mohsen Ebrahimi Moghaddam},
journal= {arXiv preprint arXiv:2503.00386},
year = {2025}
}