通过治疗前的定量超声波纹理特征预测头癌症治疗结果,并通过纹理的纹理特征优化机器学习分类器来优化机器学习分类器

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
• 定量超声波 (QUS) 是一种超声波技术.

背景情况:

• 癌症治疗,包括辐射,对患者造成重大身体负担.
• 尽管接受了治疗,但一些头癌患者未能达到预期的结果.
• 放射学利用成像功能和机器学习 (ML) 来预测治疗成功.

研究的目的:

• 调查从指标淋巴结 (LNs) 的治疗前定量超声波 (QUS) 成像特征是否可以预测H&N癌症患者的治疗结果.
• 为了评估基于QUS参数图的放射学纹理特征的有效性,用于预测建模.
• 评估新型高阶纹理 (TOT) 特性对预测模型性能的影响.

主要方法:

• 招募了72名H&N癌症患者,其中有大量的转移性LN参与.
• 在治疗前获得的部节点的超声波扫描.
• 提取了QUS参数图和放射学纹理特征,包括TOT特征.
• 训练有素的ML分类器 (SVM和k-NN) 使用这些特征并追溯标记治疗结果.

主要成果:

• 使用QUS纹理特征的7个特征SVM模型实现了79%的准确性,81%的灵敏性,76%的特异性和0.82.8的AUC.
• 整合TOT功能提高了SVM模型的性能,达到83%的准确性,85%的灵敏性,80%的特异性和0.85.85的AUC.
• 与k-NN分类器观察到类似的性能改善.

结论:

• 从索引LNs中预处理QUS纹理特征可以预测H&N癌症的二进制治疗结果.
• 通过实施纹理的纹理 (TOT) 功能来增强预测性能.
• 这种方法为个性化癌症治疗策略提供了一个有希望的方法.