基于StochasticNet序列器的发现放射组学用于癌症检测

放射组学已被证明是癌症检测的强大预后工具，此前已成功应用于肺、乳腺、前列腺和头颈癌研究。然而，这些放射组学驱动的方法依赖于预定义的手工放射组学特征集，这可能限制其表征独特癌症特征的能力。在本研究中，我们引入一种新颖的发现放射组学框架，直接从丰富的可用医学影像数据中发现自定义放射组学特征。特别地，我们利用新颖的 StochasticNet 放射组学序列器提取为表征独特癌症组织表型量身定制的自定义放射组学特征。使用从大量肺部 CT 数据发现的 StochasticNet 放射组学序列器，我们对来自 LIDC-IDRI 数据集中 93 名患者的 CT 扫描获得的 42,340 个肺部病变进行二分类。初步结果显示比先前最先进方法显著改进，表明所提出的发现放射组学框架在改善癌症筛查和诊断方面的潜力。