在临床机器学习的多中心前列腺多参数MRI数据集中的自动序列识别
José Guilherme de Almeida1, Ana Sofia Castro Verde2, Carlos Bilreiro3
1Champalimaud Foundation, Lisbon, Portugal. jose.almeida@research.fchampalimaud.org.
Insights into imaging
|March 27, 2025
概括
精确的机器学习模型可以自动识别前列腺癌MRI序列,简化数据策划. 包括中心特定数据对于多中心研究的最佳表现至关重要.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的机器学习
- 前列腺癌的诊断方法 前列腺癌的诊断方法
背景情况:
- 为前列腺癌 (PCa) 机器学习 (ML) 组织大型多中心多参数MRI (mpMRI) 数据集是耗时的.
- 准确的序列类型识别对于策划这些数据集以训练强大的临床ML模型至关重要.
研究的目的:
- 开发和验证一个准确的ML方法,用于在多中心PCampMRI数据集中自动识别序列类型.
- 创建基于知识的启发式,以进一步增强自动化序列分类.
主要方法:
- 前列腺mpMRI研究的回顾性分类为五种系列类型 (T2W,DWI,ADC,DCE,其他).
- 使用元数据对XGBoost和CatBoost模型进行训练,并进行5倍交叉验证和学习曲线分析.
- 使用保留和时间测试集的验证,以及Leave-One-Group-Out交叉验证来评估中心特定的影响.
主要成果:
- 获得了高的F1测试分数 (>0.95对于CatBoost,>0.97对于XGBoost).
- 模型证明了T2W/DWI/ADC三胞胎的学习和和时间概括能力.
- 当排除中心特定数据时,性能下降,特别是对于CatBoost,突出了对此类数据的需求.
结论:
- 使用ML进行自动序列类型识别是可行的,并使PCa mpMRI的自动数据策划成为可能.
- 虽然模型是暂时概括的,但最佳性能需要包含特定数据集的数据.
- 开发的启发式分析可以帮助研究人员对PCa mpMRI数据集进行序列分类.
