一种新的时间衰减放射组学集成网络 (TRINet) 用于短期乳腺癌风险预测
几何拓扑
2025-01-27 v2
摘要
为促进乳腺癌的早期检测，有必要开发能够为女性制定个性化筛查 mammography plan 的短期风险预测方案。在本研究中，我们提出一种名为 TRINet 的新型深度学习架构，该架构实现时间衰减注意力机制以聚焦于最近的乳腺影像，因为当前模型未考虑较新图像的相关性。我们将放射组学特征与基于注意力的多实例学习 (AMIL) 框架集成，以更好地估计风险。此外，我们引入一种基于双侧不对称性的持续学习方法，以新的标签分配策略使模型更适应不对称的癌症指标。最后，我们添加一个嵌入时间的累积危害层，用于基于个体化筛查间隔进行动态的多年风险预测。我们使用两个公开数据集进行实验，即美国 EMBED 数据集的 8,528 名患者和瑞典 CSAW 数据集的 8,723 名患者。在 EMBED 测试集上的评估结果表明，我们的方法在 1-5 年的不同时间间隔内均显著优于最先进的模型，分别实现了 0.851、0.811、0.796、0.793 和 0.789 的 AUC 分数。我们的结果凸显了整合时间注意力、放射组学特征、时间嵌入、双侧不对称性和持续学习策略的重要性，为短期乳腺癌风险预测提供了一个更具适应性和精确度的工具。
引用
@article{arxiv.2412.03080,
title = {Uniqueness of non-Euclidean Mass Center System and Generalized Pappus' Centroid Theorems in Three Geometries},
author = {Yunhi Cho and Hyounggyu Choi},
journal= {arXiv preprint arXiv:2412.03080},
year = {2025}
}
备注
42 pages, 8 figures, v2: Minor corrections including missing email address