协调对使用各种细分方法提取的PET放射性特征变异性的影响

科学领域:

• 无线电学 (Radiomics) 是一种无线电学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 从医学图像中提取的放射性特征可以帮助癌症诊断和预后.
• 图像细分方法的变化可以显著影响放射性特征的可靠性.
• 非小细胞肺癌 (NSCLC) 患者的管理受益于准确的预后标志物.

研究的目的:

• 在各种细分技术中评估正电子发射断层扫描 (PET) 放射性特征的稳定性.
• 评估ComBat协调在提高NSCLC中的放射性特征可靠性和机器学习模型性能方面的有效性.
• 确定ComBat协调对预测NSCLC患者复发的影响.

主要方法:

• 包括120名经过活检证明疾病的NSCLC患者.
• 对PET图像应用了九种细分方法,每次细分提取749个放射性特征.
• 应用了非参数实证贝叶斯 (NPEB) ComBat协调,其次是用于特征选择和复发预测的线性SVC和SVM.

主要成果:

• 通过ComBat协调,可靠放射性特征 (ICC ≥0.90) 的比例从27%增加到51%.
• 在协调后,不可靠的特征数量从39个减少到10个.
• 对于NSCLC复发预测,ComBat协调显著提高了机器学习模型的准确性,特别是对于最初不那么可靠的细分方法,如流域.

结论:

• 放射性特征对细分方法的变化敏感.
• 康巴特协调提供了一个可行的解决方案,以提高放射性特征的可靠性.
• 协调提高了放射学在NSCLC预测结果的实用性.