数据重新采样方法在放射学中的影响
1Institute of Diagnostic and Interventional Radiology and Neuroradiology, University Hospital Essen, Hufelandstraße 55, 45147, Essen, Germany. aydin.demircioglu@uk-essen.de.
Scientific reports
|February 3, 2024
概括
对于不平衡的放射性数据的重新采样方法整体上没有改善预测性能. 虽然观察到一些轻微的收益,但特征选择显示出显著的分歧,影响了可解释性.
科学领域:
- 医疗成像和数据科学数据科学
- 医疗保健中的机器学习
- 放射学研究 放射学研究
背景情况:
- 类不平衡的数据集在放射学中很常见,可能会对预测模型产生偏见.
- 再抽样技术经常用于解决阶级不平衡问题.
- 各种重新采样方法对放射性模型性能和特征选择的影响尚未得到充分理解.
研究的目的:
- 评估九种重新采样方法对放射性模型的影响.
- 评估重新抽样对15个公共数据集的预测性能的影响.
- 用重新抽样分析模型选择的特征的一致性和相似性.
主要方法:
- 利用了15个公开可用的放射性数据集.
- 应用了九种不同的重新抽样方法来解决阶级不平衡.
- 评估预测性能 (例如,AUC) 和特征选择的一致性.
主要成果:
- 再抽样方法没有显著改善平均预测性能.
- 在特定数据集中,观察到较小的AUC改善 (约为0.015).
- 在选定的特征中观察到显著的分歧 (28.7%的同意),阻碍了解释性.
- 选择的特征平均显示高相关性 (82.9%).
结论:
- 再抽样方法对改善整体放射性模型预测性能提供了有限的好处.
- 缺少特征选择的一致性给放射学中的模型解释性带来了挑战.
- 需要进一步的研究来优化放射性应用的重新采样策略.
