BrainMetDetect：利用影像组学特征和机器学习算法从脑转移瘤MRI数据预测原发肿瘤
机器学习
2024-07-09 v1 图像与视频处理
摘要
目的：脑转移瘤（BMs）在癌症患者中常见，确定原发肿瘤部位对于有效治疗至关重要。本研究旨在利用影像组学特征和先进的机器学习算法，从脑转移瘤MRI数据预测原发肿瘤部位。方法：我们使用了来自Ocana-Tienda等人（2023）的综合性数据集，包含75名脑转移瘤患者的MRI和临床数据。从增强后T1加权MRI序列中提取影像组学特征。使用GINI指数进行特征选择，并应用数据归一化以确保尺度一致。我们开发并评估了随机森林和XGBoost分类器，分别在使用和不使用FOX（Fox优化器）算法进行超参数优化的情况下进行。使用SHAP（SHapley Additive exPlanations）值增强模型可解释性。结果：基线随机森林模型的准确率为0.85，经FOX优化后提升至0.93。XGBoost模型的初始准确率为0.96，优化后提升至0.99。SHAP分析揭示了影响模型预测的最具影响力的影像组学特征。FOX优化的XGBoost模型表现最佳，精确率、召回率和F1分数均为0.99。结论：本研究证明了利用影像组学特征和机器学习从脑转移瘤MRI数据预测原发肿瘤部位的有效性。FOX优化算法显著提升了模型性能，SHAP提供了对特征重要性的宝贵见解。这些发现凸显了将影像组学和机器学习整合到临床实践中以提高诊断准确性和个性化治疗规划的潜力。
引用
@article{arxiv.2407.05051,
title = {BrainMetDetect: Predicting Primary Tumor from Brain Metastasis MRI Data Using Radiomic Features and Machine Learning Algorithms},
author = {Hamidreza Sadeghsalehi},
journal= {arXiv preprint arXiv:2407.05051},
year = {2024}
}