面向不确定性感知放射性肺炎风险预测的多模态深度学习

放射性肺炎（RP）是胸部放疗的一种潜在严重并发症，因此可靠的风险预测对于识别高危患者和指导有效的毒性管理十分重要。尽管深度学习模型可以预测 RP 风险，但不确定性量化在放射性毒性评估中仍发展不足。我们开发了一种多模态贝叶斯扩散 Transformer（MM-DiT），它整合治疗前计算机断层扫描（CT）和三维计划剂量分布，用于 RP 风险预测和不确定性量化。MM-DiT 将自监督多模态表征学习与贝叶斯分类相结合，以估计个体风险并刻画偶然不确定性、认知不确定性和标签不确定性。在独立的 Mount Sinai Health System（MSHS）和 RTOG 队列中，MM-DiT 分别达到 $0.89$ 和 $0.86$ 的受试者工作特征曲线下面积（AUC），期望校准误差分别为 $0.02$ 和 $0.03$。纳入治疗后 CT 后，MSHS 中的 AUC 提高至 $0.95$，偶然不确定性和认知不确定性分别降低约 $40-45\%$ 和 $40\%$。这些发现建立了一个不确定性感知的放射性毒性预测框架，用关于预测可靠性的信息补充风险估计。通过整合多模态学习和不确定性量化，MM-DiT 可能推动更可解释、更可信的 AI 辅助毒性评估，并支持个体化放疗计划。

中文由 AI 翻译，仅供参考，以原文为准。