使用合成放射性特征克服放射学/放射基因组学的数据稀缺性
Milad Ahmadian1, Zuhir Bodalal2, Hedda J van der Hulst2
1Department of Head and Neck Oncology and Surgery, The Netherlands Cancer Institute/Antoni van Leeuwenhoek Hospital, Amsterdam, the Netherlands; Department of Radiology, The Netherlands Cancer Institute/Antoni van Leeuwenhoek Hospital, Amsterdam, the Netherlands; Amsterdam Center for Language and Communication, University of Amsterdam, Amsterdam, the Netherlands.
合成放射性数据生成可以提高放射性模型的性能,特别是当数据稀缺时. 这种方法通过增加有限的现实世界数据集来提高预测准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 放射学和放射基因组学模型对于医学AI至关重要,但往往因数据稀缺而受到影响.
- 高质量,注释的医疗数据的有限可用性阻碍了强大的预测模型的开发和验证.
- 合成数据生成为增强现实世界数据集提供了一个潜在的解决方案.
研究的目的:
- 评估合成放射性数据生成在解决放射性和放射性基因组学模型数据稀缺性的有效性.
- 评估合成数据增强对受限样本规模训练的预测模型性能的影响.
- 为了确定使用表格模型生成的合成放射性数据的质量和可重复性.
主要方法:
- 使用了386名结直肠癌患者的追溯队列,其中包括CT图像和TP53突变状态.
- 提取了现实世界的放射性特征,并用于训练五种不同的表式合成数据生成模型.
- 训练数据 (200,400,1000病变) 的子集被用于评估模型性能,并没有合成数据增强.
主要成果:
- 在有限的现实世界数据上训练的模型显示预测性能差 (AUC0.52-0.56).
- 合成数据生成模型产生了可重现的合成放射性数据,与现实数据非常相似.
- 在小型训练集中,整合合成数据提高了预测模型的性能9.6%至16.7%.
结论:
- 合成放射性数据,当与真实数据相结合时,可以显著提高预测模型的性能.
- 图表合成数据生成在克服医疗AI数据稀缺性局限性方面显示出希望.
- 高质量的合成数据生成需要真实世界的信号数据,而不是随机或杂的数据.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Pharmacogenetics of Drug Targets: β₂-Adrenergic Receptors, Apo E, Thymidylate Synthase
Other Unique Bacteria
