科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的设计一种结合迁移学习和多模态特征融合的肺功能预测方法, 旨在提升特发性肺纤维化(IPF)患者肺功能预测的准确性。方法首先, 对CT影像和临床文本数据进行预处理, 并设计自适应模块寻找最适合IPF患者的肺功能衰减函数。其次, 特征提取模块包括CT特征提取、临床文本特征提取和肺功能特征提取3个子模块, 以全面提取特征。然后, 使用多模态特征预测网络全面评估肺功能的衰减情况。最后, 对预训练模型进行微调以提升模型的预测性能。结果针对OSIC肺纤维化进展比赛数据集, 通过自适应模块发现线性衰减假设更符合患者肺功能衰减趋势。不同模态数据预测实验表明, 加入临床文本特征的模型预测能力优于只使用CT影像的模型, 使用CT影像+临床文本特征+肺功能特征的模型预测效果最优。结合迁移学习和多模态特征融合的肺功能预测方法改进的拉普拉斯对数似然(LLLm)为?6.706 5、均方根误差(RMSE)为184.5和平均绝对误差(MAE)为146.2, 在性能上优于其他方法。且预训练模型相较于零基础训练模型具有更高的预测精度。结论设计的结合迁移学习和多模态特征融合的肺功能预测方法有效地预测了IPF患者在不同周数的肺功能状态, 为患者的健康管理和疾病诊断提供了重要的支持。
- 单位
