用于 3D 医学影像的事件时间预训练
计算机视觉与模式识别
2025-03-20 v2 机器学习
摘要
随着医学基础模型的兴起和影像数据可用性的不断增长，可扩展的预训练技术为识别可预测未来疾病风险的影像生物标志物提供了一条有希望的途径。虽然当前用于 3D 医学影像模型的自监督方法能够捕捉器官形态等局部结构特征，但由于存在上下文缺失问题，它们无法将像素生物标志物与长期健康结果联系起来。当前方法缺乏识别与疾病进展相关的生物标志物所需的时间上下文，因为它们依赖于仅从图像和并发文本描述中得出的监督。为了解决这个问题，我们引入了事件时间预训练，这是一种用于 3D 医学影像模型的预训练框架，它利用来自配对的纵向电子健康记录（EHR）的大规模时间监督。使用包含 18,945 次 CT 扫描（420 万张 2D 图像）的数据集以及数千个 EHR 衍生任务中的事件时间分布，我们的方法改进了结果预测，在 8 个基准任务中实现了平均 23.7% 的 AUROC 提升和 29.4% 的 Harrell's C-index 增益。重要的是，这些增益是在不牺牲诊断分类性能的情况下实现的。本研究为整合纵向 EHR 和 3D 影像数据以推进临床风险预测奠定了基础。
引用
@article{arxiv.2411.09361,
title = {Time-to-Event Pretraining for 3D Medical Imaging},
author = {Zepeng Huo and Jason Alan Fries and Alejandro Lozano and Jeya Maria Jose Valanarasu and Ethan Steinberg and Louis Blankemeier and Akshay S. Chaudhari and Curtis Langlotz and Nigam H. Shah},
journal= {arXiv preprint arXiv:2411.09361},
year = {2025}
}
备注
34 pages, 19 figures