基于无监督集群评估的特征选择,用于预测局部晚期直肠癌患者的新辅助化学辐射反应
Hao Chen1,2, Xing Li1, Xiaoying Pan1,2
1School of Computer Science and Technology, Xi'an University of Posts and Telecommunications, xi'an 710121, People's Republic of China.
Physics in medicine and biology
|November 16, 2023
概括
这项研究引入了一种使用卷积神经网络 (CNN) 的新深度学习方法,用于预测局部晚期直肠癌 (LARC) 患者接受新辅助化学辐射的治疗反应. 美国有线电视新闻网 (CNN) 的方法显著优于传统的放射学,提供了一种更准确,更有效的方法来个性化癌症治疗.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 瘤学和辐射疗法治疗
- 医疗保健中的机器学习
背景情况:
- 针对局部晚期直肠癌 (LARC) 的个性化癌症治疗依赖于对新辅助化学辐射反应的准确预测.
- 传统的放射学方法需要广泛的特征预定义和代模型训练来预测响应,从而导致显著的时间成本.
- 现有的方法可能无法最佳地捕捉多模态MRI序列中的复杂图像特征,以评估治疗反应.
研究的目的:
- 开发一种基于深度学习的新型特征提取器,使用可切换的3D和2D卷积内核,以在LARC中增强响应预测.
- 引入无监督的基于集群的评估方法,以提高特征选择效率并降低计算成本.
- 将拟议的深度学习方法的性能与传统放射学进行比较,以预测治疗反应.
主要方法:
- 一个具有可切换3D/2D内核的卷积神经网络 (CNN) 被设计用于从多模态MRI中提取深度学习特征.
- 开发了一个无监督的集群分析指标,以有效评估特征组合,取代了代分类器培训.
- 分析了CNN和放射学特征的综合特征空间,以预测43名LARC患者的反应.
主要成果:
- 提出的预测模型实现了高性能指标:准确度 (0.852),AUC (0.871),灵敏度 (0.868) 和特异性 (0.735).
- 基于深度学习的特征集 (AUC = 0.846) 显著超过了传统的放射学方法 (AUC = 0.714).
- 在ADC和T2图像上,CNN的高阶抽象特征,特别是CNN的3D特征,显示出卓越的预测能力.
结论:
- 开发的CNN特征提取器和无监督集群方法为LARC治疗反应预测提供了更准确,更高效的计算方法.
- 深度学习功能,特别是来自ADC图像和使用3D CNNs,在预测治疗结果方面比传统的放射学更有利.
- 无监督集群指标是一种可行且具有成本效益的工具,用于发现不同特征类型之间的相关性和互补性.
