在基于放射学的预测建模中开发灵活的特征选择框架:使用四个现实世界数据集进行评估
Sungsoo Hong1, Sungjun Hong1,2, Eunsun Oh3
1Department of Digital Health, Samsung Advanced Institute of Health Sciences and Technology (SAIHST), Sungkyunkwan University, Seoul, Republic of Korea.
Scientific reports
|November 26, 2024
概括
这项研究引入了放射学研究中最佳特征选择的新框架,改善了预测模型的开发. 该框架有效地识别了相关和非冗余的放射学特征,增强了临床决策.
科学领域:
- 医疗成像医学成像
- 无线电学 (Radiomics) 是一种辐射学.
- 数据科学数据科学数据科学
背景情况:
- 特征选择是放射学中的一个关键挑战,因为定量特征的高维度和潜在的非信息性.
- 现有的特征选择方法 (过器,包装器,嵌入式) 缺乏标准化的方法,阻碍了最佳模型开发.
研究的目的:
- 开发一个灵活和高效的框架,以在放射学研究中进行最佳特征选择.
- 为了能够快速识别相关和非冗余的放射学特征,用于预测建模.
主要方法:
- 开发了一个新的框架,包括一个"特征图"来指导选择最佳的放射性特征.
- 框架控制的特点是相关性和冗余性,探索各种特征组合.
- 该框架的实用性使用四个现实世界的放射学数据集进行了验证.
主要成果:
- "特征图"生成了六个不同的特征组合,其中选择的特征数量有所不同.
- 使用所选特征构建的预测模型表现出高性能.
- 实现的交叉验证测试曲线下面面积 (AUC) 的最高值为0.792,0.820,0.846和0.738.
结论:
- 一个灵活和高效的 radiomics 特性选择框架已经成功开发和验证.
- 该框架帮助临床医生简化开发基于放射学准确的预测模型.
- 该方法有助于探索最佳的放射学特征组合,并评估预测性能.
