Deep-CR MTLR: 一个多模态方法用于癌症生存预测与竞争风险
我们提出了 IMLSP,一个可解释的多标签多模态深度存活预测框架,用于同时预测多个头颈癌存活结果,并提供深度预测过程的时间事件特定的可视化解释。我们采用多任务逻辑回归层将存活预测从回归问题转化为多时间点分类任务,并能够同时预测多个相关存活结果。通过公开可用的 RADCURE HNC 数据集的评估,我们的方法在所有存活结果上优于相应的单模态模型和单标签模型。生成的激活图显示,该模型在做出决策时主要关注肿瘤和淋巴结体积,并且对于高风险患者和低风险患者的感兴趣体积有所不同。我们证明多标签学习策略可以提高学习效率和预后性能,而可解释的存活预测模型有助于理解人工智能的决策过程,并促进个性化治疗。
May, 2024
本文介绍了一种基于 Multi-Task Logistic Regression(MTLR)模型和深度学习架构作为核心的新方法,用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard(CoxPH)模型,并且可以帮助企业预测客户购买产品、流失或贷款违约的时间,从而提高回报率。
Jan, 2018
通过结合 CT 成像和临床数据,该研究旨在设计一个全面的深度学习模型,能够预测肾细胞癌患者的存活概率,解决之前研究中存在的局限性,以便识别需要紧急治疗的患者。
Jul, 2023
通过将组织病理图像、遗传数据和临床数据整合,构建了一种新颖的深度学习方法,使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系,同时采用双交叉注意力机制结合遗传数据,并在最终层级上加入临床数据以提高预测准确性,通过在公共 TCGA-BRCA 数据集上的实验,表明使用负对数似然损失函数训练的模型能够取得卓越的性能,均值 C 指数为 0.64,超过现有方法,为制定个体化的治疗策略提供了便利,潜在地改善了患者预后。
Feb, 2024
本文提出了一种新型深度多模态分割 - 预测幸存模型,該模型采用分割 - 预测学习 策略和数据驱动的方法,能够从 PET/CT 图像中进行肿瘤分割和幸存预测,并能将传统放射学特征作为一种增强,能够更好地适应最佳训练模型来预测平台上不同的治疗的患者的存活和处理等方面的差异。
May, 2023
本文提出了一个名为 Lite-ProSENet 的智能跨模态网络,针对肺癌的生存时间分析任务,利用多模态数据,相较于现有模型达到了最新的最优结果,89.3% 的协调性。
Nov, 2022
通过整合磁共振图像、临床数据和分子病理数据,应用基于 transformer 的深度学习模型改进了胶质母细胞瘤存活预测,在处理数据异质性和性能泛化性方面取得了突破。
May, 2024
提出了一种跨模态注意力多模态融合管道,用于整合非小细胞肺癌(NSCLC)患者生存预测的特定模态知识,相较于单一模态的组合方法,在实验中取得了 c - 指数为 0.6587 的结果,展示了从不同模态融合中融入特定知识的能力。
Aug, 2023
利用机器学习方法,比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明,这些分类器可以准确预测样品的生存率,分别为 75.4%,74.7%,71.5%,75.5%,70.3%和 78%
Apr, 2023