基于贝叶斯物理信息神经网络的稀疏纵向CT数据肺结节生长不确定性预测
机器学习
2026-05-14 v1
摘要
本工作研究了从稀疏且不规则的纵向CT观测数据（具有测量变异性）进行肺结节生长预测的问题。开发了一种通过将Gompertz生长动力学与对数体积域中的低维贝叶斯推断相结合的贝叶斯物理信息神经网络。该框架采用两种推断策略：最大后验概率(MAP)估计和哈密顿蒙特卡罗(HMC)抽样，以估计后验预测分布和不确定性区间。该方法在来自国家肺部筛查试验(National Lung Screening Trial)的纵向数据（30例患者）上进行了评估。结果表明，该模型在有限观测条件下能够捕捉异质的结节生长模式，同时保持合理的预测准确性。与确定性建模方法相比，该方法还能提供校准的不确定性估计。推断得到的后验参数相关性与预期的生物学生长行为相一致。该框架在30例患者中的 cohort 级别对数空间RMSE约为0.20，并且95%可信区间覆盖率合理。这些发现表明，贝叶斯物理信息建模在仅有有限纵向随访扫描时，可能对不确定性感知的结节生长评估有用。
引用
@article{arxiv.2605.13560,
title = {Uncertainty-Aware Prediction of Lung Tumor Growth from Sparse Longitudinal CT Data via Bayesian Physics-Informed Neural Networks},
author = {Lingfei Kong and Haoran Ma},
journal= {arXiv preprint arXiv:2605.13560},
year = {2026}
}
备注
8 pages, 15 figures