利用多模态数据进行头颈癌预后建模的机器学习挑战赛
机器学习
2021-01-29 v1 图像与视频处理
摘要
对个体患者的准确预后预测是精准肿瘤学的关键组成部分。机器学习的最新进展使得能够使用更广泛的数据（包括影像）开发模型。放射组学旨在从常规医学影像中提取定量预测和预后生物标志物，但关于计算机断层扫描放射组学用于预后的证据仍不确定。我们举办了一项机构性机器学习挑战赛，以利用从电子病历中提取的临床数据和疗前放射学图像开发头颈癌总生存预测的准确模型，并评估放射组学对头颈癌预后的真正附加益处。使用包含2552名患者的大型回顾性数据集和严格的评估框架，我们比较了12种使用影像和临床数据（单独或组合）的不同提交方案。获胜方法对临床数据和肿瘤体积使用了非线性多任务学习，在2年及终身生存预测中实现了高预后准确性，并优于仅依赖临床数据、工程化放射组学和深度学习的模型。将所有提交方案组合为集成模型提高了准确性，其中增益最大来自基于图像的深度学习模型。我们的结果显示了机器学习与简单、信息丰富的预后因素结合大型数据集作为指导个性化癌症护理工具的潜力。
引用
@article{arxiv.2101.11935,
title = {A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data},
author = {Michal Kazmierski and Mattea Welch and Sejin Kim and Chris McIntosh and Princess Margaret Head and Neck Cancer Group and Katrina Rey-McIntyre and Shao Hui Huang and Tirth Patel and Tony Tadic and Michael Milosevic and Fei-Fei Liu and Andrew Hope and Scott Bratman and Benjamin Haibe-Kains},
journal= {arXiv preprint arXiv:2101.11935},
year = {2021}
}
备注
27 pages, 7 figures, under review