近日，IEEE生物信息與生物醫(yī)學(xué)國(guó)際會(huì)議IEEE International Conference on Bioinformatics and Biomedicine（BIBM 2024)錄用結(jié)果公布，我校計(jì)算機(jī)與信息科學(xué)學(xué)院崔少國(guó)教授指導(dǎo)的2022級(jí)碩士研究生黃宇翔撰寫的論文《CM-HTNet: CNN-Mamba-based Framework for Predicting Hemorrhagic Transformation Risk of AIS Patients using Sequence Relationship Modeling and Multi-Modal Cross Attention》被該會(huì)錄用為主會(huì)長(zhǎng)文（Regular Paper）。這是計(jì)算機(jī)與信息科學(xué)學(xué)院智慧醫(yī)療團(tuán)隊(duì)首次在生物信息學(xué)旗艦會(huì)議BIBM上發(fā)表論文，也是計(jì)算機(jī)與信息科學(xué)學(xué)院在智慧醫(yī)療領(lǐng)域取得的又一重要成果。
本研究基于來自六家醫(yī)院的512名AIS患者的非增強(qiáng)CT（NCCT）圖像和臨床數(shù)據(jù)構(gòu)建了一個(gè)多中心數(shù)據(jù)集，提出了CM-HTNet深度學(xué)習(xí)智能預(yù)測(cè)模型框架。該框架借鑒了臨床醫(yī)師CT影像閱片過程，重點(diǎn)關(guān)注有病灶關(guān)鍵特征的CT切片，并綜合考慮重點(diǎn)切片相鄰數(shù)張切片的信息做出疾病診斷。
CM-HTNet首先通過3D-CNN骨干網(wǎng)絡(luò)并發(fā)地提取CT序列中每張切片的影像特征，并將這些影像特征按切片順序拼接，形成可供Mamba網(wǎng)絡(luò)進(jìn)行建模的序列數(shù)據(jù)。然后，CM-HTNet利用Mamba中的選擇性狀態(tài)空間模型（SSM）進(jìn)一步捕捉切片序列之間的復(fù)雜關(guān)系，并利用Mamba特性來優(yōu)先選擇處理與HT預(yù)測(cè)相關(guān)的特征，忽略序列數(shù)據(jù)中與預(yù)測(cè)任務(wù)無關(guān)的冗余特征。此外，CM-HTNet框架中還集成了改良的鄰域粗糙集（KRS）算法進(jìn)行臨床特征選擇，并利用交叉注意力機(jī)制將臨床數(shù)據(jù)與影像數(shù)據(jù)融合，采用多模態(tài)機(jī)器學(xué)習(xí)來進(jìn)行HT風(fēng)險(xiǎn)預(yù)測(cè)。在一個(gè)完全獨(dú)立的外部測(cè)試數(shù)據(jù)集（測(cè)試數(shù)據(jù)均來自外部醫(yī)院，且模型在訓(xùn)練與驗(yàn)證時(shí)完全不可見）上，CM-HTNet表現(xiàn)出88.85%的預(yù)測(cè)準(zhǔn)確率和95.17%的AUC，表現(xiàn)出了其出色的性能和良好的泛化能力。
BIBM會(huì)議是中國(guó)計(jì)算機(jī)學(xué)會(huì) CCF B類會(huì)議，主要聚焦于計(jì)算機(jī)科學(xué)與生物醫(yī)學(xué)領(lǐng)域的前沿交叉研究，每年吸引來自計(jì)算機(jī)科學(xué)、生物學(xué)、化學(xué)、醫(yī)學(xué)、統(tǒng)計(jì)學(xué)等多個(gè)學(xué)科的專家參會(huì)，屬于生物信息學(xué)旗艦會(huì)議。今年會(huì)議共收到1695篇論文投稿，其中僅354篇被接收為主會(huì)長(zhǎng)文（Regular paper），接收率21%。BIBM 2024會(huì)議將于2024年12 月3日至6日在葡萄牙里斯本召開。
