应用随机投影算法优化基于 CT 图像的胃癌腹膜转移预测机器学习模型
机器学习
2020-09-03 v1 计算机视觉与模式识别
图像与视频处理
摘要
背景与目的：术前非侵入性地预测癌症转移风险对确定癌症患者的最佳治疗方法（包括哪些患者可从新辅助化疗中获益）起着重要作用。尽管开发基于放射组学的机器学习（ML）模型在此目的上引起了广泛研究兴趣，但其常面临如何利用小而失衡的图像数据集构建高性能且鲁棒 ML 模型的挑战。方法：在本研究中，我们探索构建最优 ML 模型的新途径。收集了 159 名胃癌患者腹部计算机断层扫描（CT）图像的回顾性数据集。其中 121 例有腹膜转移（PM），38 例无 PM。首先应用计算机辅助检测（CAD）方案分割原发胃肿瘤体积并初步计算 315 个图像特征。随后，构建两个嵌入不同特征降维方法的梯度提升机（GBM）模型，即主成分分析（PCA）与随机投影算法（RPA），并结合合成少数类过采样技术，以预测患者发生 PM 的风险。所有 GBM 模型均使用留一例交叉验证方法进行训练与测试。结果：结果显示，嵌入 RPA 的 GBM 预测准确率（71.2%）显著高于使用 PCA 的（65.2%）（p<0.05）。结论：本研究证明原发胃肿瘤 CT 图像包含预测 PM 风险的判别信息，且 RPA 是一种有前景的生成最优特征向量的方法，可提升医学图像 ML 模型的性能。
引用
@article{arxiv.2009.00675,
title = {Applying a random projection algorithm to optimize machine learning model for predicting peritoneal metastasis in gastric cancer patients using CT images},
author = {Seyedehnafiseh Mirniaharikandehei and Morteza Heidari and Gopichandh Danala and Sivaramakrishnan Lakshmivarahan and Bin Zheng},
journal= {arXiv preprint arXiv:2009.00675},
year = {2020}
}
备注
24 pages, 7 figures