关于SNMMI人工智能工作组Radiomics Challenge 2024的总结报告
Ronald Boellaard1, Arman Rahmim2, Jacoba J Eertink3
1Department of Radiology and Nuclear Medicine, Amsterdam UMC, Cancer Center Amsterdam, Amsterdam, The Netherlands; r.boellaard@amsterdamumc.nl.
概括
针对扩散性大B细胞淋巴瘤存活率预测的机器学习模型显示,相对于更简单的模型,其益处有限. 与基本的SUV和总代谢瘤体积指标相比,放射学和先进的机器学习并没有显著改善结果.
科学领域:
- 医疗成像医学成像
- 无线电学 (Radiomics) 是一种放射学.
- 机器学习 机器学习
背景情况:
- 医疗成像方面的挑战有助于比较对现实世界问题的方法,如细分和检测.
- 这项研究的重点是比较机器学习模型的挑战,以预测扩散性大B细胞淋巴瘤 (DLBCL) 患者的生存率.
研究的目的:
- 组织和评估一个挑战,比较机器学习模型来预测DLBCL患者的无进展生存期 (PFS).
- 评估先进的放射性特征和机器学习与更简单的模型的性能.
主要方法:
- 参与者使用了基线18F-FDG PET/CT放射学数据集来预测PFS作为连续或二进制结果.
- 用连续结果的根平均平方误差和二进制结果的C指数来评估模型性能.
- 提交的模型与使用SUV和总代谢瘤体积 (TMTV) 的参考模型进行了外部验证.
主要成果:
- 19个模型预测了连续的PFS; 6个模型显示了类似于简单线性模型的性能.
- 十二个模型预测了二进制PFS; 一个模型比简单的物流回归模型具有更高但不显著的C指数值.
- 添加复杂的放射性特征和机器学习,在这个数据集的基本指标上显示出有限或无意义的价值.
结论:
- 一些机器学习模型比简单的回归模型显示的优点数字 (FOM) 略好一些.
- 然而,观察到的FOM差异并不显著,表明复杂方法的附加值有限.
- 对于这个DLBCL放射学数据集,先进的机器学习和放射学特征并没有显著优于更简单的预测模型.
