利用 CT 图像与不完整临床数据对特发性肺纤维化进行生存分析
图像与视频处理
2022-03-23 v1 计算机视觉与模式识别
机器学习
摘要
特发性肺纤维化（IPF）是一种不可逆转的进行性纤维化肺病，其进展速率多变且难以预测。肺部 CT 扫描可为 IPF 患者的临床评估提供信息，并包含与疾病进展相关的 pertinent 信息。本工作中，我们提出一种多模态方法，利用神经网络与记忆库，基于临床与影像数据预测 IPF 患者生存情况。大多数临床 IPF 患者记录存在数据缺失（例如缺失肺功能检测）。为此，我们提出一种概率模型，捕捉观测临床变量间的依赖关系并填补缺失值。这种对缺失数据填补的严谨方法可自然地与深度生存分析模型结合。我们表明，所提框架在一致性指数与综合 Brier 分数方面显著优于基线生存分析结果。我们的工作也为关联死亡的新型基于图像的生物标志物提供了见解。
引用
@article{arxiv.2203.11391,
title = {Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and Incomplete Clinical Data},
author = {Ahmed H. Shahin and Joseph Jacob and Daniel C. Alexander and David Barber},
journal= {arXiv preprint arXiv:2203.11391},
year = {2022}
}
备注
Accepted as a full paper at the Medical Imaging with Deep Learning conference (MIDL 2022)