使用可重现特征的基于融合的张量放射学:在头癌的生存预测中的应用
Mohammad R Salmanpour1, Mahdi Hosseinzadeh2, Seyed Masoud Rezaeijo3
1Department of Integrative Oncology, BC Cancer Research Institute, Vancouver, BC, Canada; Technological Virtual Collaboration (TECVICO Corp.), Vancouver, BC, Canada.
Computer methods and programs in biomedicine
|July 20, 2023
概括
这项研究使用张量放射学框架确定了可重现的放射学特征 (RF),以预测头癌患者的无进展生存期 (PFS). 最好的模型达到76.7%的准确率,证明了强大的射频在癌症预测结果中的价值.
科学领域:
- 放射学和医学成像技术
- 机器学习在瘤学中的应用
- 癌症成像分析 癌症成像分析
背景情况:
- 放射性特征 (RF) 对于可靠的医学成像分析至关重要.
- 识别强大的射频是可再生癌症研究的关键.
- 张量辐射学 (TR) 提供了一个探索各种射频的框架.
研究的目的:
- 在头癌中识别放射学特征强大到融合技术.
- 使用张量放射学框架预测无进展生存 (PFS).
- 评估混合机器学习系统 (HMLS) 使用可重复的射频的性能.
主要方法:
- 利用了408名头癌患者的PET/CT图像.
- 应用了15种融合技术,在17种"风味"中提取了215个RF.
- 选择了106个可重现的射频 (ICC>0.75),应用PCA,多项式函数,ANOVA和三个分类器 (RFC,LR,MLP) 进行PFS预测.
主要成果:
- 形态特征显示高可靠性;强度/统计特征显示低可靠性.
- 使用LR的张量放射学框架实现了76.7%的交叉验证准确率和70.6%的外部测试准确率.
- 使用PCA融合和RFC的非张力方法实现了70.0%的交叉验证准确率和67.7%的外部测试准确率.
结论:
- 在张量聚变框架内的可复制放射学特征增强了PFS在头癌的预测.
- TR,ANOVA和物流回归 (LR) 的组合显示出显著的附加值.
- 这种方法提供了一种可靠的方法来预测癌症生存结果.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
