坚固与非坚固的放射性特征:使用幻影和临床研究寻求最佳机器学习模型
Seyyed Ali Hosseini1,2, Ghasem Hajianfar3, Brandon Hall1,2
1Translational Neuroimaging Laboratory, Douglas Hospital, The McGill University Research Centre for Studies in Aging, McGill University, Montréal, Québec, Canada.
概括
选择强大的放射性特征可以通过减轻运动工件来提高非小细胞肺癌 (NSCLC) 淋巴血管入侵 (LVI) 预测灵敏度. 这种方法提高了放射性研究的可复制性.
科学领域:
- 无线电学 (Radiomics) 是一种辐射学.
- 医学成像分析 医学成像分析
- 机器学习在瘤学中的应用
背景情况:
- 放射性特征对运动工件敏感,影响预测的可复制性和可靠性.
- 淋巴血管侵袭 (LVI) 是非小细胞肺癌 (NSCLC) 的关键预后因素.
- 开发可靠的LVI预测方法对于改善患者的治疗结果至关重要.
研究的目的:
- 使用幻影研究来选择对肺部运动有力的放射性特征.
- 通过使用机器学习,评估强大的功能在预测NSCLC中的LVI中的性能.
- 为了比较强大的功能与传统方法的有效性.
主要方法:
- 模拟运动的肺幻影被用来识别抗运动工件的放射性特征.
- 从幻影和临床数据集中提取了105个放射性特征 (n=126).
- 应用特征选择算法和机器学习分类器来预测LVI,比较强大的与传统的特征.
主要成果:
- 使用强大的特征显著增加了预测灵敏度,在15个结局中的12个结果中对准确性和AUC的影响很小.
- 没有强大的特征的最高性能是95%的AUC,67%的精度和100%的灵敏度 (NB分类器,RFE FS).
- 具有强大的特征的最高性能是92%的AUC,86%的精度和100%的灵敏度 (NB分类器,Boruta FS).
结论:
- 对于可靠的放射性研究来说,特征对运动等影响因素的强度至关重要.
- 选择运动坚固的特征是一种可行的策略,可以提高放射性分析的可复制性.
- 虽然对准确度和AUC有轻微影响,但强大的特征大大提高了LVI预测灵敏度.
