使用响应转换来测量成像数据集的易受被选择的标准分析管道过度装配的敏感性
Jayasree Chakraborty1, Abhishek Midya1, Brenda F Kurland2
1Department of Surgery, Hepatopancreatobiliary Service, Memorial Sloan Kettering Cancer Center, New York, New York, USA.
Academic radiology
|April 13, 2024
概括
在成像生物标志物开发中,量化过拟合是至关重要的. 这项研究表明,交叉验证有效地减轻了过拟合,推最小样本大小,以可靠地分析放射学和病理学数据.
科学领域:
- 医疗成像医学成像
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 过度装配是开发成像生物标志物的重大挑战,可能会膨胀性能指标,例如接收器操作特征曲线 (AUC) 下的面积.
- 标准分析管道可能无法充分控制过,导致不可靠的生物标志物性能估计.
研究的目的:
- 开发和演示一种方法来量化超对AUC在成像生物标志物开发中的影响.
- 评估不同模型评估技术在控制过度装配方面的有效性.
主要方法:
- 使用基于排列的方法,将结果标签混以消除真实关联.
- 七个分类模型被训练并使用四种技术进行评估 (所有数据,保留,十倍交叉验证,引导) 在 permuted 数据集上.
- 这个过程重复了50次,以平均AUC和量化过量引发的通货膨胀.
主要成果:
- 如果无法控制过,可能会导致近乎完美的AUC值 (接近1.0).
- 与其他方法相比,10倍的交叉验证提供了优越的保护,防止过.
- 建议分析10个成像特征的最低样本大小为200个,以保持AUC膨胀低于0.05.
结论:
- 拟议的方法允许在成像生物标志物研究中量化过拟合.
- 这种方法可以指导选择适当的分析策略和特征集,以尽量减少过度装配.
- 交叉验证和适当的样本大小对于强大的成像生物标志物开发至关重要.


