- Объединение мультимодальной МРТ и клинических данных на основе CNN-LSTM для прогнозирования функционального исхода у пациентов с инсультом (arXiv)
Автор: Нима Хатами, Тэ-Хи Чо, Лаура Мечтуф, Омер Фарук Экер, Дэвид Руссо, Кэрол Фриндель
Аннотация: Прогнозирование клинического исхода играет важную роль в ведении пациентов с инсультом. С точки зрения машинного обучения одной из основных проблем является работа с разнородными данными при поступлении пациента, то есть многомерными данными изображения и скалярными клиническими данными. В этой статье предлагается мультимодальная сверточная нейронная сеть — ансамблевая модель на основе долговременной кратковременной памяти (CNN-LSTM). Для каждого модуля МР-изображения выделенная сеть обеспечивает предварительный прогноз клинического исхода с использованием модифицированной шкалы Рэнкина (mRS). Окончательная оценка mRS получается путем объединения предварительных вероятностей каждого модуля, предназначенного для определенного типа МР-изображения, взвешенного по клиническим метаданным, в данном случае по возрасту или по шкале инсульта Национального института здравоохранения (NIHSS). Экспериментальные результаты показывают, что предложенная модель превосходит базовые показатели и предлагает оригинальный способ автоматического кодирования пространственно-временного контекста МРТ-изображений в архитектуре глубокого обучения. Самая высокая AUC (0,77) была достигнута для предложенной модели с NIHSS.
2. Регрессионная состязательная сеть с множественной путаницей для диагностики на основе глубокого обучения по крайне разнородным клиническим данным (arXiv)
Автор: Мэттью Леминг, Судешна Дас, Хёнсун Им
Аннотация:автоматическое обнаружение заболеваний на медицинских изображениях с использованием глубокого обучения обещает улучшить диагностические возможности рентгенологов, но регулярно собираемые клинические данные часто содержат технические и демографические смешанные факторы, которые различаются между больницами, что негативно влияет на надежность диагностики. диагностические модели глубокого обучения. Таким образом, существует острая потребность в моделях глубокого обучения, которые могут обучаться на несбалансированных наборах данных без чрезмерной подгонки к мешающим факторам, характерным для конкретного сайта. В этой работе мы разработали новую архитектуру глубокого обучения, MUCRAN (Multi-Confound Regression Adversarial Network), для обучения модели глубокого обучения на крайне разнородных клинических данных при регрессии демографических и технических искажающих факторов. Мы обучили MUCRAN, используя 16 821 клинический МРТ T1 Axial головного мозга, собранный в Массачусетской больнице общего профиля до 2019 года, и протестировали его, используя данные после 2019 года, чтобы отличить пациентов с болезнью Альцгеймера (БА), выявленных с использованием как рецептов на лекарства от БА, так и кодов МКБ, от немедикаментозных пациентов. контрольная группа. Во внешних проверочных тестах с использованием данных МРТ из других больниц модель показала надежную работу с точностью более 90% на вновь собранных данных. Эта работа показывает возможность диагностики на основе глубокого обучения в реальных клинических данных.
3. Улучшение диагностики рака щитовидной железы с помощью машинного обучения и клинических данных (arXiv)
Автор:Нань Майлз Си, Линь Ван, Чуанцзя Ян
Аннотация:Рак щитовидной железы — распространенная эндокринная карцинома, возникающая в щитовидной железе. Много усилий было приложено для улучшения диагностики, и тиреоидэктомия остается основным методом лечения. Успешная операция без ненужных боковых травм зависит от точного предоперационного диагноза. Текущая оценка злокачественности узлов щитовидной железы у человека подвержена ошибкам и может не гарантировать точного дооперационного диагноза. В этом исследовании была предложена машинная структура для прогнозирования злокачественности узлов щитовидной железы на основе нового набора клинических данных, который мы собрали. Для оценки и интерпретации производительности модели в условиях неопределенности применялись 10-кратная перекрестная проверка, бутстрап-анализ и важность предиктора перестановки. Сравнение между модельным прогнозом и экспертной оценкой показывает преимущество нашей модели над человеческим суждением в прогнозировании злокачественности узлов щитовидной железы. Наш метод является точным, интерпретируемым и поэтому может использоваться в качестве дополнительного доказательства в предоперационной диагностике рака щитовидной железы.
4. Помимо визуального изображения: автоматизированная диагностика пигментных поражений кожи, сочетающая функции ClinicalImage с данными пациентов (arXiv)
Автор: Хосе Г. М. Эсгарио, Ренато А. Кролинг
Аннотация:Рак кожи считается одним из наиболее распространенных видов рака в нескольких странах. Из-за сложности и субъективности клинической диагностики поражений кожи разрабатываются системы компьютерной диагностики, которые помогут экспертам поставить более надежный диагноз. Клинический анализ и диагностика поражений кожи опираются не только на визуальную информацию, но и на контекстную информацию, предоставленную пациентом. В данной работе рассматривается проблема обнаружения пигментных поражений кожи на изображениях, снятых смартфонами. В дополнение к функциям, извлеченным из изображений, была собрана контекстная информация о пациенте для обеспечения более точного диагноза. Эксперименты показали, что сочетание визуальных признаков с контекстной информацией улучшало конечные результаты. Экспериментальные результаты очень многообещающие и сопоставимы с экспертами.
