基于放射学的头癌患者的复发预测,使用数据不平衡校正
Hiroki Oka1, Daisuke Kawahara1, Yuji Murakami1
1Department of Radiation Oncology, Graduate School of Biomedical and Health Sciences, Hiroshima University, Hiroshima, 734-8551, Japan.
Computers in biology and medicine
|July 27, 2024
概括
一种新的高斯噪声上采样 (GNUS) 方法改善了放射治疗后头部和部状细胞癌 (HSNCC) 复发的预测. 这种放射学模型提高了准确性,并减少了预测HNSCC复发的偏差.
科学领域:
- 无线电学 (Radiomics) 是一种辐射学.
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 放射治疗后头部和部状细胞癌 (HSNCC) 复发是一个重大的临床挑战.
- 准确预测HNSCC复发对于优化治疗策略至关重要.
- 数据失衡是开发癌症复发等罕见事件的预测模型的一个常见问题.
研究的目的:
- 开发一种基于放射学的预测模型,用于HNSCC复发后的放射治疗.
- 引入和评估一种新的数据不平衡校正方法,即高斯噪声上采样 (GNUS).
- 为了比较GNUS的性能与传统的数据不平衡纠正技术.
主要方法:
- 对97名HNSCC患者的治疗前PET和CT图像进行了放射性分析.
- 使用最少绝对收缩和选择操作员 (LASSO) 分析进行了特征选择.
- 拟议的GNUS方法与七种传统的过量采样技术进行了比较.
- 使用线性回归的机器学习模型被训练在过量采样特征上,以预测HNSCC复发.
主要成果:
- 没有数据不平衡校正的预测模型实现了0.96.6的AUC.
- 性能最好的传统方法,随机过量采样,产生了0.97.97的AUC.
- 拟议的GNUS模型表现出卓越的性能,AUC为0.98,同时具有高灵敏度 (93%) 和特异性 (94%).
结论:
- 过量采样方法有效地减轻预测模型中的灵敏度和特异性偏差.
- 新的GNUS方法显著提高了HNSCC复发预测的准确性.
- GNUS提供了一种有希望的方法来提高基于放射学的癌症复发预测模型的可靠性.
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
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
