乳腺癌 pCR 预测的表型轨迹时间表示学习.pdfVIP

乳腺癌pCR预测的表型轨迹时间表示学习

IvanaJaníková,YenY.Tan,ThomasH.Helbich,Konstantin

Miloserdov,ZsuzsannaBago-Horvath,UlrikeHeber,andGeorg

Langs

ComputationalImagingResearchLab,DepartmentofBiomedicalImagingand

Image-guidedTherapy,MedicalUniversityofVienna,Austria

ComprehensiveCenterforArtificialIntelligenceinMedicine,MedicalUniversityof

Vienna,Austria

DepartmentofObstetricsandGynecology,MedicalUniversityofVienna,Austria

本DepartmentofPathology,MedicalUniversityofVienna,Austria

译ChristianDopplerLaboratoryforMachineLearningDrivenPrecisionImaging,

中DepartmentofBiomedicalImagingandImage-guidedTherapy,MedicalUniversityof

Vienna,Austria

1ivana.janickova@meduniwien.ac.at,georg.langs@meduniwien.ac.at

v

2https://www.cir.meduniwien.ac.at

7

8

4

1摘要有效的治疗决策需要能够预测个体对治疗反应的模型。这是一个挑

.

9战，因为疾病的进展和对治疗的反应在不同患者之间差异很大。在这里，

0我们提出从影像数据中学习治疗反应早期动态的表示形式，以预测接受新

5

2辅助化疗（NACT）的乳腺癌患者的病理完全缓解（pCR）。乳房磁共振成

:像（MRI）数据的时间变化形成潜在空间中的轨迹，作为成功响应预测的

v

i基础。多任务模型代表外观、促进时间连续性并考虑非应答者队列中相对

x

r较高的异质性。在公开可用的ISPY-2数据集上的实验中，仅使用治疗前

a

的数据（），潜在轨迹空间中的线性分类器达到平衡准确率为0.761；使

用早期反应（）时为