影像组学中的自动化机器学习:性能、效率与可访问性的比较评估

自动化机器学习(AutoML)框架通过使不具备编程专长的研究人员能够构建模型,可以降低影像组学中预测和预后模型开发的技术门槛。然而,它们在解决影像组学特定挑战方面的有效性仍不明确。本研究评估了通用型和影像组学专用 AutoML 框架在多种影像组学分类任务上的性能、效率和可访问性,从而突显了影像组学的开发需求。使用了十个具有不同成像模态(CT/MRI)、规模、解剖部位和终点的公共/私有影像组学数据集。在预定义参数和标准化交叉验证下测试了六个通用型和五个影像组学专用框架。评估指标包括 AUC、运行时间,以及与软件状态、可访问性和可解释性相关的定性方面。Simplatab 是一款具有无代码界面的影像组学专用工具,以适中的运行时间(约 1 小时)取得了最高的平均测试 AUC(81.81%)。LightAutoML 是一种通用型框架,展现出最快的执行速度,且性能具有竞争力(六分钟内平均 AUC 为 78.74%)。大多数影像组学专用框架因过时、广泛的编程需求或计算效率低下而被排除在性能分析之外。相反,通用型框架表现出更高的可访问性和易于实现性。Simplatab 为影像组学分类问题提供了性能、效率和可访问性的有效平衡。然而,仍存在显著差距,包括缺乏可访问的生存分析支持,以及当前 AutoML 框架中对特征可重复性和协调的整合有限。未来的研究应侧重于调整 AutoML 解决方案,以更好地应对这些影像组学特定的挑战。