跳到正文
原文
arXiv · Image and Video Processing· Jin Yang, Tian Liu, Jose Penagaricano 等 8 人
· 22 小时前

面向头颈癌放射性口干症预测的不确定性感知多模态深度学习

Uncertainty-Aware Multimodal Deep Learning for Prediction of Radiation-Induced Xerostomia in Head and Neck Cancer

预印本 · 尚未经过同行评审

AI 导读

BA-DiT 结合CT与剂量分布预测放射性口干症,独立队列AUC达0.83和0.80。

摘要 · AI 翻译

开发并评估一个不确定性感知的多模态学习框架,用于预测接受头颈癌放疗患者的放射性口干症。我们开发了一种双向注意力增强扩散Transformer(BA-DiT),它将自监督多模态表征学习与有监督贝叶斯微调相结合。该模型整合了治疗前CT图像和三维剂量分布,重点关注双侧腮腺,同时纳入周围解剖和剂量学信息。在预训练期间,双向交叉注意力整合解剖和剂量学特征,而潜在扩散Transformer通过基于扩散的学习、特征重建和对比对齐来学习联合表征。有监督微调采用贝叶斯分类器来预测个体化口干症风险并量化预测不确定性,并使用可学习的标签转移模型来考虑潜在的毒性标签不确定性。BA-DiT使用四个独立队列(Moffitt、Emory、MSHS和TCIA)开发,并针对基线和消融模型进行评估。评估包括预测性能、校准、不确定性量化、决策曲线分析和患者层面病例研究。在独立的MSHS和Emory队列中,BA-DiT分别达到0.83和0.80的AUC,优于基线模型。预测不确定性在决策边界附近达到峰值,其中偶然不确定性是主要成分。基于不确定性的选择性预测总体上提高了保留患者的净获益,在较低预测覆盖率下获益更大。BA-DiT能够实现个体化口干症风险预测,同时提供互补的不确定性估计,可能有助于知情临床决策和个体化毒性管理。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Image and Video Processing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。