M2EF-NNs：用于癌症生存预测的多模态多实例证据融合神经网络
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了现有癌症生存预测方法未能有效利用全球上下文和忽视模态不确定性的问题。我们提出的M2EF-NNs模型通过多模态和多实例证据融合技术，首次将邓普斯特-沙费尔证据理论应用于癌症生存预测，从而实现了更加可靠的预测。实验结果表明，该方法在TCGA数据集上的癌症生存预测方面显著提高了准确性。
本文介绍了一种新的多模态证据融合网络（MEFN），用于精确分割 PET/CT 图像，提高肿瘤诊断和治疗的准确性和可信度。实验证明该方法在 DSC 评分上比现有方法提高了2.15%和3.23%。同时，该模型还能为放射科医生提供可信的分割结果不确定性。
