适应集群用于医疗图像分析,使用改进的分离指数
Mojtaba Jahanian1, Abbas Karimi2, Nafiseh Osati Eraghi3
1Department of Computer, Ar.C., Islamic Azad University, Arak, Iran. mojtaba160672000@aut.ac.ir.
Scientific reports
|August 1, 2025
概括
SONSC是一种新的集群方法,可以在复杂的生物医学数据中自动找到最多的集群数量. 这种适应性框架可以改善医学成像和信号的分析.
科学领域:
- 生物医学数据分析
- 机器学习 机器学习
- 医疗成像和信号处理.
背景情况:
- 在不了解集群数量的情况下对高维生物医学数据进行集群是一个重大挑战.
- 现有的方法往往需要参数调整或先前知识,这限制了它们的适用性.
研究的目的:
- 引入SONSC (智能集群的分离优化数量),这是一个可适应和可解释的集群框架.
- 为了自动确定最佳的集群数量,使用一种新的内部有效度指标,即改进的分离指数 (ISI).
主要方法:
- 索恩斯克 (SONSC) 代地最大化了ISI,它评估了集群内部的紧性和集群间的分离性.
- 该框架在没有监督或参数调整的情况下运行,提供自动化方法.
- 根据基准数据集 (MNIST,CIFAR-10) 和临床数据 (胸部X射线,心电图,RNA-seq) 进行评估.
主要成果:
- 在ISI,Silhouette分数和规范化相互信息 (NMI) 上,SONSC的表现始终优于K-Means,DBSCAN和光谱聚类.
- 在现实世界生物医学数据中确定了临床相关的结构,与专家标记的类别保持一致.
- 在数值指标和临床解释性方面表现出卓越的表现.
结论:
- 索恩斯克为无监督生物医学数据分析提供了强大,可扩展和可靠的解决方案.
- 该框架将算法性能与医疗解释性统一的能力支持其在诊断和患者分层管道中的使用.
- 在分析复杂,高维度的生物医学数据集方面取得了重大进展.
