radMLBench:用于放射学基准测试的数据集集合
1Institute of Diagnostic and Interventional Radiology and Neuroradiology, University Hospital Essen, Hufelandstraße 55, D-45147, Essen, Germany.
Computers in biology and medicine
|September 13, 2024
概括
为了对机器学习方法进行基准测试,创建了一个新的放射学数据集集合. 在选择之前的特征对比没有改善预测性能,这表明它可以被省略为更强大的管道.
科学领域:
- 无线电学 (Radiomics) 是一种无线电学.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 放射学中的机器学习往往缺乏强大的验证,因为单个数据集的测试.
- 需要更大的,可访问的数据集来对新的放射学方法进行基准测试.
- 这项研究策划了一系列带有二进制结果的放射学数据集.
研究的目的:
- 创建一个全面的,可访问的放射学数据集集合,用于基准测试.
- 为了评估特征对比对放射学管道的预测性能的影响.
- 提高机器学习应用在放射学中的可靠性和稳定性.
主要方法:
- 一个系统的搜索确定了具有二进制结果的表格式放射学数据集.
- 收集的数据集被编译成一个同质的,Python可访问的集合.
- 数据集的收集被用来测试特征对比对预测性能的影响.
主要成果:
- 50个放射性数据集进行了策划,样本大小和特征数量各不相同.
- 在特征选择之前的特征调整关系显示没有显著的平均性能改善.
- 这些发现表明,特征对比可能在放射学管道中并不重要.
结论:
- 一个有价值的,可访问的放射学数据集集合现在可用于方法基准测试.
- 特性对比并不能始终提高放射学中的预测性能.
- 忽略特征装饰关系可以提高管道的稳固性和可靠性.
