用多式成像和多视图动态图自编码器选择特征来预测头癌的放射治疗反应
Amir Moslemi1,2, Laurentius Oscar Osapoetra1,2, Aryan Safakish1,3
1Physical Sciences, Sunnybrook Research Institute, Sunnybrook Health Sciences Centre, Toronto, Canada.
Medical physics
|September 22, 2025
概括
这项研究引入了一种新的多视图特征选择 (MVFS) 方法,用于头癌. 该方法有效地预测了辐射治疗反应,使用来自多种成像方式的放射性特征.
科学领域:
- 医疗成像医学成像
- 无线电学 (Radiomics) 是一种无线电学.
- 癌症生物标志物 癌症生物标志物
背景情况:
- 外部光束辐射疗法是头癌的标准治疗方法.
- 医学图像中的放射性特征显示出瘤异质性和治疗反应预测的生物标志物的潜力.
- 目前的方法通常使用单个成像模式或简单的特征连接,限制了全面的分析.
研究的目的:
- 评估多视图特征选择 (MVFS) 以从定量超声波光谱 (QUS) 参数图,计算机断层扫描 (CT) 和磁共振成像 (MRI) 中识别关键放射性特征.
- 训练使用选定特征的预测模型,预测H&N癌症患者的放射治疗结果.
主要方法:
- 分别从CT,MRI和QUS参数图中提取了70,70和350个放射性特征.
- 开发了一个自适应图形自编码器多视图特征选择 (AGAMVFS) 技术,利用动态图形学习和自编码器进行特征歧视和选择.
- 雇佣的假期-一个-病人-输出交叉验证和训练有素的支持矢量机 (SVM) 和k-最近邻居 (KNN) 分类器来预测治疗反应.
主要成果:
- 与SVM分类器相结合的AGAMVFS方法在预测H&N癌症治疗反应时实现了85%的准确性,76%的灵敏性,91%的特异性和83%的平衡准确性.
- 与单一模式方法和现有的特征选择技术相比,拟议的方法显示出更高的性能.
- 最受欢迎的特征包括六个QUS,三个MRI和一个CT放射性特征,突出了整合多个成像数据的价值.
结论:
- 开发的预测模型有效地预测了H&N癌症患者的治疗反应.
- MVFS增强了特征解释性,并保持了来自不同成像模式的特征之间的相互关联,提供了更强大的分析框架.
关键词:
这就是为什么CTCTCTCTCT这就是为什么MRI是MRI.自动编码器自动编码器头部和部癌症 头部和部癌症多视图功能选择多视图功能选择定量超声波光谱学 定量超声波光谱学辐射治疗疗法 辐射治疗疗法放射性特征 放射性特征 放射性特征更多相关视频
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
8.6K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
