使用机器学习开发一个堆叠组合学习模型,用于CT放射学分类大脑转移的CT放射学分类

科学领域:

• 无线电学 (Radiomics) 是一种放射学.
• 机器学习在医学成像中的应用
• 在瘤学瘤学.

背景情况:

• 准确评估瘤体积对于脑转移患者的放射治疗计划至关重要.
• 识别和分类脑转移的传统方法可能耗时,可能缺乏准确性.
• 机器学习 (ML) 为医疗图像的自动分析提供了潜力,包括放射性特征提取.

研究的目的:

• 从放射学角度探索ML技术的有效性,用于从放射学角度自动识别和分类大脑转移.
• 为了提高瘤体积评估的准确性,用于放射治疗规划.
• 开发和评估一个堆叠组合模型,集成多个ML算法,以提高分类性能.

主要方法:

• 使用了九个ML算法:随机森林,支持向量机,梯度增强机,XGBoost,决策树,人工神经网络,k-最近邻居,LightGBM和CatBoost.
• 开发了一种堆叠组合模型,根据放射性特征对总瘤体积 (GTV),脑干和正常脑组织进行分类.
• 使用包括特异性,敏感性,准确性和曲线下的面积 (AUC) 在内的指标评估模型性能.

主要成果:

• 堆叠组合模型在分类GTV (AUC=0.928),脑干 (AUC=0.932) 和正常脑组织 (AUC=0.942) 中取得了高性能.
• 支持矢量机器 (SVM) 模型在单个基准模型中表现最好 (AUC从0.909到0.928不等).
• 整体模型的表现始终优于单个模型,证明了整合多种算法的好处,特别是在高维空间,其中一些模型,如决策树和k-最近邻居显示较低的性能.

结论:

• 堆叠组合ML模型有效地使用放射性特征对大脑转移和周围组织进行分类.
• 将多个ML算法结合在一个整体方法中,与此分类任务的单个模型相比,可以获得更好的结果.
• 这种方法对改善脑转移的放射治疗中瘤体积评估具有显著的前景.