一项全面的机器学习基准研究,用于对CRC肝转移患者CT成像数据的基于放射学的生存分析
Anna Theresa Stüber1, Stefan Coors, Balthasar Schachtner
1From the Department of Radiology, University Hospital, LMU Munich, Munich, Germany (A.T.S., B.S., T.W., A.M., O.O., M.S., J.R., M.I.); Department of Statistics, LMU Munich, Munich, Germany (A.T.S., S.C., D.R., A.B., B.B.); and Munich Center for Machine Learning, Munich, Germany (A.T.S., T.W., D.R., A.B. B.B., M.I.).
这项研究开发了一种机器学习 (ML) 基准框架,用于肝癌患者的放射性生存分析. 随机生存森林 (RSF) 模型与临床和放射学数据相结合,表现最好,但与单独的临床数据相比,其预后价值没有显著改善.
科学领域:
- 无线电学和机器学习
- 医学图像分析 医学图像分析
- 在瘤学瘤学.
背景情况:
- 为放射学分析优化机器学习 (ML) 管道是复杂的,因为特征相关性和许多算法选择.
- 预测结直肠癌肝转移的患者的整体存活率需要强大的分析框架.
研究的目的:
- 提出基于放射学的基准测试框架,以优化ML管道,以预测整体存活率.
- 为了确定最佳的ML管道配置,并评估放射学特征的预后附加值.
主要方法:
- 开发了一个大规模的ML基准管道,包括预处理,特征选择,维度减少和模型训练.
- 评估了三种ML算法 (glmnet,RSF,xgboost),使用491名患者计算机断层扫描 (CT) 图像的临床数据和放射学特征.
- 利用混合模型方法与嵌套交叉验证来优化超参数,并根据集成的Brier分数比较管道配置.
主要成果:
- 评估了60毫升管道变化,基于随机生存森林 (RSF) 的管道显示偏好,特别是在结合临床和放射学数据时.
- 定量分析证实,RSF管道的性能始终与glmnet和xgboost相似或更好.
- 对于RSF,在预处理或超参数优化方面,没有发现表现更好的管道组合.
结论:
- 引入了基于放射学的生存分析的基准框架,以确定最佳的ML管道设置.
- 放射学特征捕捉了患者的临床情况,与肝脏内转移中单独的临床参数相比.
- 在这个患者队列中,从放射学特征中没有观察到任何显著的额外预后价值.
更多相关视频
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
10:17Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics
Published on: January 8, 2018