一种基于潜伏表示学习的新型特征工程方法用于放射学:在NSCLC亚型分类中的应用

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算生物学 计算生物学

背景情况:

• 放射学从医学图像中提取定量特征,以预测临床结果.
• 目前的特征工程方法很难有效地利用放射学特征的异质性.

研究的目的:

• 引入潜伏表示学习作为放射学新型特征工程方法.
• 改进放射学中特征异质性的利用.

主要方法:

• 开发了一个潜在的表示学习方法,从原始的形状,强度和纹理特征中重建潜在的空间特征.
• 利用混合损失函数 (类似集群和重建损失) 来优化潜在空间特征.
• 在多中心非小细胞肺癌 (NSCLC) 亚型分类数据集上验证了该方法.

主要成果:

• 与传统方法 (PCA,Lasso等) 相比,潜伏表示学习显著提高了分类性能. 在一个独立的测试套件上 (p<0.001).
• 在两个额外的测试组中,在概括性能方面取得了显著的改进.
• 在各种机器学习分类器中展示了卓越的性能.

结论:

• 隐性表示学习是放射学更有效的特征工程方法.
• 这种方法有可能成为适用于广泛放射学研究的通用技术.
• 该方法有效地解决了当前特征工程技术的局限性.