来自不同主部位的头部和部转移性瘤的诊断研究,基于堆叠机器学习方法
Yifei Liu1, Cong Wu2, Junpeng Ma3
1Department of Biomedical Engineering Institute, School of Control Science and Engineering, Shandong University, Jinan, China.
Journal of biophotonics
|June 24, 2025
概括
通过超光谱成像,诊断转移性头部瘤 (MTHN) 得到了改进. 这种新方法可以准确地识别原发性瘤部位,帮助更快,针对性地治疗晚期癌症患者.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 生物医学工程 生物医学工程
背景情况:
- 头部和部转移性瘤 (MTHN) 表示疾病已晚,预后不佳.
- 目前的诊断方法 (成像,组织病理学) 是缓慢的,容易出现错误.
- 迫切需要快速准确地识别MTHN的主要部位.
研究的目的:
- 开发和验证基于高光谱成像的方法,用于精确的MTHN初级部位诊断.
- 为了比较各种机器学习模型对MTHN分类的有效性.
- 引入一种新的,高性能的分类模型,以提高诊断准确度.
主要方法:
- 使用高光谱成像技术,从6个主要地点收集了208名MTHN患者的详细细胞光谱数据.
- 用先进的技术选择了具有特征的光谱频段.
- 开发和评估了包括支持矢量机 (SVM),LightGBM,ResNet和堆叠组合模型 (MTHN-SC) 在内的机器学习模型.
主要成果:
- 开发的MTHN-SC模型,利用SVM和LightGBM作为基础学习者和Random Forest作为meta-learner的堆叠技术,实现了82.47%的诊断准确度.
- 与单个基础模型和其他评估算法相比,MTHN-SC模型表现出优异的性能.
- 该研究成功地确定了特征的光谱特征,用于区分MTHN主要站点.
结论:
- 超光谱成像为诊断MTHN主要部位提供了一个有希望,准确和快速的方法.
- MTHN-SC分类模型显著提高了头癌的诊断能力.
- 这项研究推进了高光谱技术在瘤学中的临床应用,有可能改善患者治疗策略.
