使用半监督伪标签和从各种PET/CT数据集中学习的增强肺癌生存预测

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 放射学和机器学习在瘤学中的应用

背景情况:

• 准确的肺癌生存率预测对于治疗计划至关重要.
• 有限的标记数据往往阻碍了机器学习模型在瘤学中的性能.
• 放射性特征,无论是手工制作的 (HRF) 还是深度 (DRF),都可以从医学图像中提供宝贵的预后信息.

研究的目的:

• 探索一种半监督学习 (SSL) 策略,使用伪标记的头癌 (HNCa) 数据来提高肺癌 (LCa) 生存结果预测.
• 为了比较SSL与监督学习 (SL) 的性能,使用PET/CT扫描中的HRF和DRF.
• 评估混合机器学习系统 (HMLS) 在生存预测中的有效性.

主要方法:

• 收集了199名LCa患者和408名HNCa患者的PET/CT图像.
• 使用Pysera和3D自动编码器提取了215个HRF和1024个DRF.
• 使用HMLS-PCA和各种分类器实施SL和SSL策略;SSL纳入伪标记的HNCa数据.

主要成果:

• 该SSL策略显著优于SL方法 (p<0.001).
• 通过使用来自PET和PCA+MLP的DRF,SSL实现了0.85±0.05的平均精度.
• 在CT提取的HRF/DRF上使用渐变增强生存分析进行PCA,平均C指数为0.80 (p<0.001).

结论:

• 深度放射性特征 (DRF) 与半监督学习 (SSL) 结合,显著提高了肺癌存活率预测的准确性.
• 在有限的标记患者数据的情况下,SSL策略特别有益.
• 这种方法可以通过单独使用CT或PET成像来实现高预测性能.