深度与手工张器放射学特征:利用机器学习和融合技术预测头癌患者的生存率
Mohammad R Salmanpour1,2, Seyed Masoud Rezaeijo3, Mahdi Hosseinzadeh2,4
1Department of Integrative Oncology, BC Cancer Research Institute, Vancouver, BC V5Z 1L3, Canada.
Diagnostics (Basel, Switzerland)
|May 27, 2023
概括
深度学习的深度特征 (DF),特别是张量DF,显著改善了头癌生存预测. 这种先进的方法优于传统的射电学特性 (RF) 和标准的深度学习模型.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 手工制作的放射学特征 (RF) 是标准的,但深度学习 (DL) 的深度特征 (DF) 需要调查.
- 一种"张量"放射学方法,探索特征变异,可能会提供附加值.
- 将常规和张量 DF 与 RF 进行比较对于结果预测至关重要.
研究的目的:
- 调查常规和张量深度特征 (DF) 的性能.
- 为了比较DF性能与传统和张量辐射学特征 (RF).
- 为了评估头癌生存结果的预测准确性.
主要方法:
- 处理了408名头癌患者的PET/CT图像,包括15种融合技术.
- 使用SERA软件提取了常规和张量放射学特征 (RF).
- 使用3D自编码器提取深度特征 (DF);预测模型包括CNN,MLP,随机森林和LR.
主要成果:
- 使用PCA + ANOVA + MLP的张量DF框架实现了最高的预测准确率 (87.0%的交叉验证,85.3%的外部测试).
- 张量射频框架实现了76.67% (交叉验证) 和70.6% (外部测试).
- 与DTCWT融合的CNN产生了75.6% (交叉验证) 和63.4% (外部测试).
结论:
- 张量深度特征 (DF) 与适当的机器学习相结合,显著提高了生存预测.
- 这种方法超越了传统的DF,张量RF,传统RF和端到端的CNN模型.
- 张量DF框架为癌症结果预测提供了一个有希望的进步.
