集成放射组学分析的多维特征融合深度学习模型用于胶质母细胞瘤术后生存预测
医学物理
2022-03-14 v1
摘要
目的：开发一种在多维特征融合工作流中集成放射组学分析的新型深度学习模型，用于胶质母细胞瘤（GBM）术后生存预测。方法：将235例完整手术切除的GBM患者按1年生存时间阈值分为短期/长期生存组。每位患者接受术前多参数MRI检查，由神经放射科医生勾画三个肿瘤亚区。所开发模型包含三个数据源分支：第1个放射组学分支中，每位患者提取456个放射组学特征（RF）；第2个深度学习分支中，训练编码神经网络架构利用单一MR模态预测生存组，并提取最后两层网络的高维参数作为深度特征（DF）。提取的放射组学特征与深度特征经特征选择流程以降低各特征空间维度。第3个分支中，收集基于非图像的患者特异性临床特征（PSCF）。最后，将三个分支的数据源融合作为支持向量机（SVM）执行的集成输入以预测生存组。比较研究考察了不同模型设计策略，包括1）基于2D/3D的图像分析，2）SVM输入设计中不同的数据源组合。结果：仅用PSCF时模型预测准确率为0.638，高于2D和3D分析中仅用RF或DF的结果。RF/PSCF联合使用在3D分析中准确率提升至0.681。2D/3D分析中最准确的模型通过RF/DF/PSCF不同组合达到最高准确率0.745，相应ROC AUC结果分别为0.69（2D）和0.71（3D）。
引用
@article{arxiv.2203.05891,
title = {A Deep Learning Model with Radiomics Analysis Integration for Glioblastoma Post-Resection Survival Prediction},
author = {Zongsheng Hu and Zhenyu Yang and Haozhao Zhang and Eugene Vaios and Kyle Lafata and Fang-Fang Yin and Chunhao Wang},
journal= {arXiv preprint arXiv:2203.05891},
year = {2022}
}