Bivariate Survival Modeling with Multimodal Deep Learning for Knee Osteoarthritis Progression Prediction
Knee osteoarthritis (OA) is a progressive condition that impacts over 300 million people globally, resulting in chronic pain, reduced mobility, and high healthcare costs. Current diagnostic methods, mainly using X-rays, suffer from inter-rater variability and limited sensitivity to early changes. This project aims to provide accurate OA progression prediction through an innovative deep learning framework that integrates multimodal data with bivariate survival modeling. Our objectives include: (1) developing a deep learning survival model using vision transformers on medical imaging data and (2) constructing a bivariate time-to-progression model to account for knee interdependence. By effectively utilizing high-dimensional clinical and imaging data, our model seeks to enable earlier detection and more precise risk prediction, improving clinical decision-making and facilitating personalized treatment strategies, ultimately benefiting global OA patients and reducing the healthcare costs.
Modélisation de survie bivariée avec apprentissage profond multimodal pour la prédiction de la progression de l’arthrose du genou
L’arthrose du genou (AG) est une pathologie musculosquelettique progressive qui affecte plus de 300 millions de personnes dans le monde, engendrant des douleurs chroniques, une diminution de la mobilité et des coûts de santé élevés. Les méthodes diagnostiques actuelles, principalement basées sur l’imagerie radiologique, présentent une variabilité interjuges et une sensibilité limitée aux changements structurels précoces. Ce projet a pour objectif de fournir une prédiction précise de la progression de l’AG en recourant à un cadre innovant d’apprentissage profond qui intègre des données multimodales et une modélisation de survie bivariée. Nos objectifs sont les suivants : (1) développer un modèle de survie reposant sur l’apprentissage profond à l’aide de transformateurs de vision appliqués aux données d’imagerie médicale, et (2) construire un modèle bivarié de temps jusqu’à la progression afin de prendre en compte l’interdépendance des genoux. En exploitant de manière optimale des données cliniques et d’imagerie de haute dimension, notre modèle vise à permettre une détection précoce et une prédiction précise des risques, améliorant ainsi la prise de décision clinique et facilitant des stratégies de traitement personnalisées, à l’avantage des patients souffrant de l’AG à l’échelle mondiale tout en réduisant les coûts liés aux soins de santé.
Session
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais