使用临床和影像组学特征进行删失感知的半监督肺癌生存时间预测
医学物理
2025-06-16 v4 生物物理
摘要
目的：肺癌构成了一项重大的全球健康挑战，需要改进预后方法以实现个性化治疗。本研究引入了一个删失感知的半监督学习 (SSL) 框架，该框架整合了临床和影像数据，解决了传统模型处理删失数据时的偏差。方法：我们分析了来自公共和本地数据存储库的 199 名肺癌患者的临床、PET 和 CT 数据，以总生存 (OS) 时间作为主要结局指标。使用 ViSERA 软件进行预处理后，提取了手工制作 (HRF) 和深度放射组学特征 (DRF)，并与临床特征 (CF) 相结合。使用主成分分析 (PCA) 优化特征维度，随后应用监督学习 (SL) 和 SSL。SSL 结合了对删失数据的伪标记以提高性能。使用五折交叉验证、网格搜索和外部测试自助法对七种回归器和三种风险比生存分析 (HRSA) 算法进行了优化。结果：对于 PET HRF，SSL 将平均绝对误差 (MAE) 降低了 26.5%，使用 PCA+决策树回归达到 1.55 年，而 SL 使用 PCA+KNNR 为 2.11 年 (p<0.05)。结合来自 CT 图像的 HRF (CT_HRF) 和 DRF，使用 SSL+PCA+KNNR 实现了 2.08 年的 MAE，比 SL 的 2.26 年提高了 7.96% (p<0.05)。在 HRSA 中，应用于 PCA+分量梯度提升生存分析的 CT_HRF 实现了 0.65 的外部 c-index，有效区分了高风险和低风险组。结论：我们证明了 SSL 策略在 PET、CT 和 CF 上显著优于 SL。因此，应用于 PET 图像 HRF 的删失感知 SSL 与 SL 方法相比，将生存预测性能显著提高了 26.5%。
引用
@article{arxiv.2502.01661,
title = {Censor-Aware Semi-Supervised Survival Time Prediction in Lung Cancer Using Clinical and Radiomics Features},
author = {Arman Gorji and Ali Fathi Jouzdani and Nima Sanati and Ren Yuan and Arman Rahmim and Mohammad R. Salmanpour},
journal= {arXiv preprint arXiv:2502.01661},
year = {2025}
}
备注
11 pages, 4 Figures and 4 Tables