图表特征选择,以提高头癌在多个机构的放射性稳定性和可重复性
Hajar Moradmand1, Jason Molitoris2, Xiao Ling3
1Department of Radiation Oncology, University of Maryland School of Medicine, Baltimore, MD, USA. hmoradmand@som.umaryland.edu.
Scientific reports
|July 31, 2025
概括
基于图表的特征选择 (Graph-FS) 提高了头支状细胞癌 (HNSCC) 的放射性生物标志物稳定性和可重复性. 这种方法增强了精密瘤学的多中心生物标志物发现.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 数据科学数据科学数据科学
背景情况:
- 放射性生物标志物具有精确瘤学的潜力,但由于成像协议的变化和高维数据,它们面临着挑战.
- 传统的特征选择方法往往缺乏临床转化所需的稳定性和可重复性.
- 头部和部状细胞癌 (HNSCC) 研究可以从可靠的放射性信号中受益.
研究的目的:
- 研究基于图形特征选择 (Graph-FS) 的方法,用于识别HNSCC中稳定的放射性特征.
- 为了比较Graph-FS的稳定性和可重复性与已建立的特征选择方法.
- 评估Graph-FS在人工智能驱动的放射学工作流程中的多中心生物标志物发现潜力.
主要方法:
- 从三个机构的752名HNSCC患者的1,648个放射性特征进行了回顾性分析.
- 使用 36 个放射学参数配置模拟成像变量的模拟.
- 使用稳定性和可重复性指标 (皮尔森相关性,贾卡德指数,子-索伦森指数,肯德尔的W) 将Graph-FS与Boruta,Lasso,递归特征消除 (RFE) 和最小冗余最大相关性 (mRMR) 进行比较.
主要成果:
- 与基线方法 (贾卡德指数从0.005到0.014) 相比,Graph-FS表现出明显更高的稳定性 (贾卡德指数=0.46,迪斯-索伦森指数=0.62).
- Graph-FS显示了不同放射学参数配置的更好的排名一致性和可重复性.
- 该方法有效地识别了稳定的放射性信号,尽管模拟的变化.
结论:
- 基于图表的特征选择 (Graph-FS) 提高了放射性生物标志物的稳定性,可重现性和预测性.
- 这种方法为解决多中心放射学研究中的变异性提供了一个强大的解决方案.
- 图形-FS促进可靠的生物标志物发现,用于人工智能驱动的HNSCC精密瘤学.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
