可解释的特征选择,将粒子群优化与MRI放射遗传学适应性LASSO相结合:预测口腔癌中的HPV状况

科学领域:

• 放射基因组学是指放射基因组学.
• 机器学习在瘤学中
• 医学成像分析 医学成像分析

背景情况:

• 放射遗传学建模受到高维放射性特征和有限的样本大小的挑战,需要有效的特征选择.
• 粒子集群优化 (PSO) 是一个有前途的技术,用于导航大型特征空间,但其在放射遗传学中的应用尚未得到充分探索.
• 这项研究评估了基于PSO的特征选择,用于使用MRI数据预测口腔状细胞癌 (OPSCC) 中的人类乳头瘤病毒 (HPV) 状态.

研究的目的:

• 研究PSO及其与其他特征选择方法的组合在OPSCC中用于基于MRI的HPV状态预测的疗效.
• 在独立的外部验证队列上评估不同特征选择策略的概括性.
• 确定可转移放射基因组模型的可靠和可解释的特征选择方法.

主要方法:

• 对153名患者 (内部队列) 和157名患者 (外部队列) 的对比增强T1加权MRI扫描的分析.
• 从手工细分的瘤中提取放射性特征.
• 评估各种特征选择方法,包括PSO,PSO组合,基于过器的,基于包装的方法,以及收缩技术 (例如,自适应LASSO).
• 使用接收器运行特征曲线 (AUC) 下面面积的性能比较.

主要成果:

• 仅PSO在内部测试组中就实现了0.76的AUC.
• 将PSO与自适应的LASSO和Shapley值结合起来,在外部队列上改善了性能 (AUC = 0.81) 并显示出更好的概括性 (AUC = 0.78).
• 递归特征消除 (RFE) 在内部表现高 (AUC = 0.91),但未能概括 (AUC = 0.52).

结论:

• 可解释的PSO适应性LASSO方法提供了OPSCC中HPV状况的可概括的放射基因学特征.
• 这种综合方法在通用性方面优于其他评估的特征选择方法.
• 适应公共服务局的LASSO战略显示出开发强大且可转移的放射基因组模型的前景.