来自多MRI扫描仪测试-检测-研究的可复制放射学特征:对模型性能和概括性的影响

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 放射学模型往往无法对外部数据集进行概括,从而限制了临床应用.
• 通过测试-重新测试研究识别的可重现的放射性特征被推用于提高概括性.

研究的目的:

• 评估仅使用强大的放射学特征对模型性能和通用性的影响.
• 评估在可复制特征和所有特征上训练的放射学模型,以预测等离子体细胞透.

主要方法:

• 对患有单克隆血细胞疾病的患者进行了回顾性研究.
• 放射学模型 (线性回归器,SVR,RFR) 在内部数据 (中心1) 上进行训练,并在内部和外部 (中心2-8) 进行测试.
• 模型使用所有放射学特征或可复制特征的子集进行训练.

主要成果:

• 在使用可重现特征时,支持向量回归器 (SVR) 的性能在外部测试集上有所改善 (r=0.43对0.18).
• 随机森林回归器 (RFR) 的性能在具有可重现特征的外部测试集上下降 (r=0.33对0.44).
• 在最好的整体放射学模型的外部性能中没有观察到任何自动改善.

结论:

• 使用可重现的放射学特征可以增强特定机器学习模型的外部验证.
• 可复制特征的好处取决于模型,并不能普遍提高概括性.
• 需要进一步的研究来优化放射学特征的选择和应用,以实现强大的临床翻译.