Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning

要約

脳卒中は、25 歳以上の成人人口の約 4 分の 1 が罹患している、一般的な生活に支障をきたす神経学的症状です。
患者の半数以上は、急性脳卒中発症後も、永続的な機能依存や死亡など、予後が不良です。
この研究の目的は、早期介入を促進するための機能的転帰の予測における、構造化された健康プロファイルと組み合わせた拡散強調 MRI モダリティの有効性を調査することです。
深層融合学習ネットワークは 2 段階のトレーニングで提案されています。第 1 段階はクロスモダリティ表現学習に焦点を当て、第 2 段階は分類に焦点を当てます。
教師あり対比学習は、2 つのクラスの患者を個々のモダリティの埋め込みおよび融合されたマルチモーダルの埋め込みから区別する識別特徴を学習するために利用されます。
ネットワークは、入力として DWI および ADC 画像、および構造化された健康プロファイル データを受け取ります。
結果は、脳卒中発症後 3 か月で長期介護を必要とする患者が予測されることです。
3,297 人の患者のデータセットを使用してトレーニングおよび評価された、私たちが提案する融合モデルは、AUC、F1 スコア、および精度でそれぞれ 0.87、0.80、および 80.45% を達成し、医療領域の画像データと構造化データの両方を統合する既存のモデルを上回っています。
NIHSS や併存疾患を含む包括的な臨床変数を使用してトレーニングした場合、正確な予測を行う際の画像からの利益はそれほど大きくはありませんが、重要であると考えられます。
ただし、拡散強調 MRI を NIHSS に置き換えて、他のすぐに利用できる臨床変数と組み合わせて同等レベルの精度を達成し、より一般化することができます。

要約(オリジナル)

Stroke is a common disabling neurological condition that affects about one-quarter of the adult population over age 25; more than half of patients still have poor outcomes, such as permanent functional dependence or even death, after the onset of acute stroke. The aim of this study is to investigate the efficacy of diffusion-weighted MRI modalities combining with structured health profile on predicting the functional outcome to facilitate early intervention. A deep fusion learning network is proposed with two-stage training: the first stage focuses on cross-modality representation learning and the second stage on classification. Supervised contrastive learning is exploited to learn discriminative features that separate the two classes of patients from embeddings of individual modalities and from the fused multimodal embedding. The network takes as the input DWI and ADC images, and structured health profile data. The outcome is the prediction of the patient needing long-term care at 3 months after the onset of stroke. Trained and evaluated with a dataset of 3297 patients, our proposed fusion model achieves 0.87, 0.80 and 80.45% for AUC, F1-score and accuracy, respectively, outperforming existing models that consolidate both imaging and structured data in the medical domain. If trained with comprehensive clinical variables, including NIHSS and comorbidities, the gain from images on making accurate prediction is not considered substantial, but significant. However, diffusion-weighted MRI can replace NIHSS to achieve comparable level of accuracy combining with other readily available clinical variables for better generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google