使用半监督机器学习模型改善基于放射学的异酸脱酶1在质瘤患者的预测
Amir Mahmoud Ahmadzadeh1, Amirhossein Jafarnezhad2, Danial Elyassirad3
1Department of Radiology, School of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran.
BMC medical imaging
|December 9, 2025
概括
使用放射学特征的半监督机器学习模型显示,可以更好地预测质瘤IDH1突变状态. 这些模型通过增加训练数据大小并可能减少对多个MRI序列的需求来提高性能.
科学领域:
- 放射学和机器学习在神经瘤学中
- 医学图像分析 医学图像分析
- 癌症基因组学 癌症基因组学
背景情况:
- 准确确定异酸脱酶 (IDH) 突变状态对于质瘤预后至关重要.
- 使用磁共振成像 (MRI) 衍生的放射学特征的机器学习 (ML) 模型为非侵入性IDH突变状态预测提供了一个有希望的途径.
研究的目的:
- 为了比较监督和半监督ML模型在预测质瘤中IDH1突变状态方面的性能.
- 评估不同MRI序列和特征选择对模型准确性的影响.
主要方法:
- 从公共数据集的T1加权,T1对比增强 (T1CE),T2加权和FLAIRMRI序列中提取了放射学特征.
- 使用最小绝对收缩和选择运算符 (Lasso) 算法进行特征选择.
- 使用10ML算法开发了监督和半监督模型,并对内部和外部队列进行了验证,半监督模型采用伪标签.
主要成果:
- 一个使用24个T1CE特征的半监督模型在外部验证队列中获得了0.951的最高曲线下面积 (AUC).
- 这超过了最好的监督模型 (AUC=0.917),该模型使用了30个FLAIR和T1CE特征 (p=0.005).
- 半监督模型在外部验证队列中的所有序列组合中始终显示出更高的AUC.
结论:
- 半监督学习方法可以提高基于放射学的ML模型对质瘤IDH1状态的预测性能.
- 在半监督模型中使用伪标签有效地增加了训练数据大小,从而提高了预测能力.
- 这些模型还可以通过潜在地要求更少的MRI序列来提高预测效率.
