在非小细胞肺癌患者中使用放射学进行生存分析的分布式特征选择管道
Benedetta Gottardelli1, Varsha Gouthamchand2, Carlotta Masciocchi3
1Department of Diagnostica per Immagini, Radioterapia Oncologica ed Ematologia, Università Cattolica del Sacro Cuore, Rome, Italy.
Scientific reports
|April 3, 2024
概括
联合学习和特征选择解决了使用放射学预测癌症结果的挑战. 一个新的管道确定了非小细胞肺癌患者风险分层的关键特征.
科学领域:
- 无线电学 (Radiomics) 是一种无线电学.
- 医疗成像医学成像
- 在瘤学中的机器学习
背景情况:
- 癌症结果预测的放射学面临着维度和数据共享的局限性.
- 联合学习 (FL) 允许在没有数据交换的情况下进行多机构模型培训.
- 特性选择 (FS) 减少了模型的复杂性,并提高了可解释性.
研究的目的:
- 为放射学提出一个基于学习的联合特征选择管道.
- 解决癌症结局预测中的维度和数据限制问题.
- 确定非小细胞肺癌 (NSCLC) 存活率预测的关键放射性特征.
主要方法:
- 一个联合的学习管道,集成基于关联的特征选择和LASSO规范化.
- 应用到三个机构的NSCLC患者的多变量生存研究.
- 考克斯比例危险回归使用整体生存作为终点.
主要成果:
- 确定了包含"基于强度的能量"和"平均离散强度"的放射性签名.
- 该管道在828名NSCLC患者中进行了培训和验证.
- 平均哈雷尔C指数达到0.59,这表明风险分层的有效性相当高.
结论:
- 一个分布式的放射学方法与初步的特征选择可以减轻维度的挑战.
- 这种方法提高了模型的解释性,并解决了预测性瘤学的数据限制.
- 拟议的管道提供了一种系统的,数据驱动的方法来减少放射性特征.
