Multi-task Learning Approach for Intracranial Hemorrhage Prognosis

要約

頭蓋内出血 (ICH) 後の予後は、画像データと表形式データの間の複雑な相互作用によって影響されます。
迅速で信頼性の高い予後診断は、効果的な患者の層別化と十分な情報に基づいた治療の意思決定にとって非常に重要です。
この研究では、予後と、それと最も相関の高い臨床変数および人口統計学的変数との間で共有される堅牢な特徴表現を学習することにより、画像ベースの予後を強化することを目的としています。
私たちのアプローチは、画像に埋め込まれた貴重な予後データを学習するモデルを強化することにより、臨床意思決定を模倣します。
予後、グラスゴー昏睡スケール、年齢を予測し、精度と解釈可能性を向上させる 3D マルチタスク画像モデルを提案します。
私たちの方法は、現在の最先端のベースライン画像モデルを上回り、入力として CT スキャンのみを使用する 4 人の認定神経放射線科医と比較して、ICH 予後において優れたパフォーマンスを示しています。
さらに、解釈可能性顕著性マップを使用してモデルを検証します。
コードは https://github.com/MiriamCobo/MultitaskLearning_ICH_Prognosis.git で入手できます。

要約(オリジナル)

Prognosis after intracranial hemorrhage (ICH) is influenced by a complex interplay between imaging and tabular data. Rapid and reliable prognosis are crucial for effective patient stratification and informed treatment decision-making. In this study, we aim to enhance image-based prognosis by learning a robust feature representation shared between prognosis and the clinical and demographic variables most highly correlated with it. Our approach mimics clinical decision-making by reinforcing the model to learn valuable prognostic data embedded in the image. We propose a 3D multi-task image model to predict prognosis, Glasgow Coma Scale and age, improving accuracy and interpretability. Our method outperforms current state-of-the-art baseline image models, and demonstrates superior performance in ICH prognosis compared to four board-certified neuroradiologists using only CT scans as input. We further validate our model with interpretability saliency maps. Code is available at https://github.com/MiriamCobo/MultitaskLearning_ICH_Prognosis.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google