Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification

要約

世界中のがん死亡の主な原因である非小細胞肺がん（NSCLC）の早期発見と微妙なサブタイプ分類は、重要かつ複雑な問題です。
この論文では、医療画像 (CT および PET スキャン) と臨床健康記録およびゲノム データを統合する、マルチモーダル データの革新的な統合について紹介します。
この独自の融合手法は、高度な機械学習モデル、特に MedClip と BEiT を活用して高度な画像特徴抽出を行い、計算腫瘍学の新たな標準を確立します。
NSCLC の検出と分類の精度が大幅に向上していることからわかるように、私たちの研究は既存のアプローチを上回っています。
結果は、精度、精度、再現率、F1 スコアなどの主要なパフォーマンス指標全体で顕著な改善を示しています。
具体的には、当社の主要なマルチモーダル分類子モデルは、94.04% という驚異的な精度を記録しています。
私たちは、私たちのアプローチが NSCLC 診断を変革し、早期発見とより効果的な治療計画を促進し、最終的には肺がん治療における優れた患者転帰につながる可能性があると信じています。

要約(オリジナル)

The early detection and nuanced subtype classification of non-small cell lung cancer (NSCLC), a predominant cause of cancer mortality worldwide, is a critical and complex issue. In this paper, we introduce an innovative integration of multi-modal data, synthesizing fused medical imaging (CT and PET scans) with clinical health records and genomic data. This unique fusion methodology leverages advanced machine learning models, notably MedClip and BEiT, for sophisticated image feature extraction, setting a new standard in computational oncology. Our research surpasses existing approaches, as evidenced by a substantial enhancement in NSCLC detection and classification precision. The results showcase notable improvements across key performance metrics, including accuracy, precision, recall, and F1-score. Specifically, our leading multi-modal classifier model records an impressive accuracy of 94.04%. We believe that our approach has the potential to transform NSCLC diagnostics, facilitating earlier detection and more effective treatment planning and, ultimately, leading to superior patient outcomes in lung cancer care.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google