Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Apprentissage masqué intermodal pour la prédiction de la survie chez les patients atteints de CBNPC traités par ICI

Created by
  • Haebom

Auteur

Qilong Xing, Zikai Song, Bingxin Gong, Lian Yang, Junqing Yu, Wei Yang

Contour

Cet article présente un ensemble de données à grande échelle et un nouveau cadre de fusion de caractéristiques multimodales visant à améliorer la précision des prédictions de survie chez les patients atteints d'un cancer du poumon non à petites cellules (CPNPC) recevant un traitement par inhibiteur de point de contrôle immunitaire (ICI). Cet ensemble de données à grande échelle comprend des images TDM 3D, des dossiers cliniques, des données de survie sans progression (SSP) et de survie globale (SG) de patients atteints de CPNPC. Le cadre proposé utilise une approche d'apprentissage par masque intermodal comprenant deux branches, chacune adaptée à une modalité spécifique : un transformateur de profondeur de tranche pour les images TDM et un transformateur basé sur des graphiques pour les variables cliniques. La stratégie d'apprentissage par modalité masquée reconstruit les composantes manquantes à l'aide de la modalité intacte, améliorant ainsi l'intégration des caractéristiques spécifiques à chaque modalité et favorisant des relations intermodales et des interactions efficaces. Cela démontre des performances de fusion multimodale pour la prédiction de la survie du CPNPC qui surpassent les méthodes existantes et établissent une nouvelle référence.

Takeaways, Limitations

•
Takeaways:
◦
Présentation d'un ensemble de données de patients atteints de CPNPC à grande échelle et d'un nouveau cadre de fusion de fonctionnalités multimodales.
◦
Extraction et fusion efficaces de caractéristiques de modalité à l'aide de Slice-Depth Transformer et de Graph-based Transformer
◦
Amélioration des performances d'intégration multimodale grâce à des stratégies d'apprentissage de modalités masquées.
◦
Améliorer la précision de la prédiction de la survie du CBNPC et suggérer la possibilité d’établir des plans de traitement personnalisés.
◦
Présentation d'une nouvelle norme pour les modèles de prédiction de survie
•
Limitations:
◦
Une validation supplémentaire de la généralisabilité de l’ensemble de données présenté est nécessaire.
◦
Des recherches sont nécessaires pour étudier l’applicabilité du cadre à d’autres types de cancer ou de traitements.
◦
Des recherches supplémentaires sont nécessaires sur l’interprétabilité et l’explicabilité du modèle.
◦
Une analyse des biais et des erreurs potentielles des ensembles de données est nécessaire.
👍
Made with Slashpage