通过治疗效应分析提升预测性成像生物标志物的发现

识别预测性协变量，这些协变量可预测个体治疗效果，对不同领域如个性化医学的决策至关重要。这些协变量被称为生物标志物，通常从随机对照试验中的治疗前数据中提取，应与与治疗分配无关的预后生物标志物区分开来。我们的研究聚焦于发现预测性成像生物标志物，即从图像特征中提取的特定特征，通过利用治疗前图像来揭示新的因果关系。与依赖手工特征且易受偏差影响的耗费人力的方法不同，我们提出了从图像中直接学习预测性特征的新任务。我们提出了一个评估协议，用于评估模型识别预测性成像生物标志物的能力，并通过统计测试和全面的图像特征归因分析来区分其与纯粹预后生物标志物。我们探讨了最初开发用于估计条件平均处理效应（CATE）的深度学习模型适用于此任务的情况，这些模型主要被评估其 CATE 估计的精度，而忽略了对成像生物标志物发现的评估。我们的概念验证分析表明，我们的方法在合成结果和真实世界图像数据集中发现和验证预测性成像生物标志物的可行性和潜力。我们的代码可在 \url{https://github.com/MIC-DKFZ/predictive_image_biomarker_analysis} 获取。