机器学习算法在放射学和影响因素方面的比较性能

科学领域:

• 无线电学 (Radiomics) 是一种放射学.
• 机器学习 机器学习
• 医学成像分析 医学成像分析

背景情况:

• 对于机器学习 (ML) 算法在放射学中的选择,没有标准化的建议.
• 放射学分析涉及从医学图像中提取定量特征,用于临床决策.

研究的目的:

• 在不同临床应用中比较各种ML算法在放射学中的性能.
• 为了确定ML策略,无论数据集如何,都能产生最佳和一致的性能.

主要方法:

• 评估了9个特征选择算法与14个二进制分类算法配对.
• 在十个不同的放射学数据集 (CT和MRI) 上测试了126种算法组合.
• 使用十倍交叉验证方法,重复三次,以计算每个组合的AUC.

主要成果:

• 作为特征选择方法,JMI和JMIM表现出卓越的性能.
• 随机森林和线性回归模型被确定为表现最好的分类算法.
• 分类算法选择显著影响了性能变化 (10%),超过了特征选择 (2%) 或数据分割 (9%).

结论:

• 推随机森林和线性回归,与JMI/JMIM特征选择,用于强大的放射学分析.
• 算法选择,特别是分类器,对于优化放射学模型性能至关重要.
• 进一步的研究应侧重于算法优化,以提高放射学诊断的准确性.