利用新型 AUROC 损失函数改进儿童低级神经肿瘤分子亚型识别
图像与视频处理
2024-02-07 v1 计算机视觉与模式识别
定量方法
摘要
儿童低级神经肿瘤（PLGNT）是最常见的儿童癌症类型，占儿童脑肿瘤的 40%，确定 PLGNT 分子亚型对治疗计划至关重要。然而，确定 PLGNT 亚型的金标准是活检组织，这对患者来说可能不实用或危险。本研究通过引入专门改善模型 Area Under the Receiver Operating Characteristic（ROC）曲线下面积（AUROC）的损失函数，提高了卷积神经网络（CNN）在通过 MRI 扫描分类 PLGNT 亚型的性能，提供了一种无创的诊断替代方案。本研究收集了 339 名 PLGNT 患者的回顾性数据集（143 例 BRAF 融合型、71 例 BRAF V600E 突变型、125 例非 BRAF 型），采用 CNN 模型进行蒙特卡洛随机数据划分。基线模型使用二元交叉熵（BCE）训练，实现 BRAF 融合型与 BRAF V600E 突变型区分的 AUROC 为 86.11%，采用本研究提出的 AUROC 损失函数后提升至 87.71%（p 值 0.045）。在多分类任务中，AUROC 从 74.42% 提升至 76.59%（p 值 0.0016）。
引用
@article{arxiv.2402.03547,
title = {Improving Pediatric Low-Grade Neuroepithelial Tumors Molecular Subtype Identification Using a Novel AUROC Loss Function for Convolutional Neural Networks},
author = {Khashayar Namdar and Matthias W. Wagner and Cynthia Hawkins and Uri Tabori and Birgit B. Ertl-Wagner and Farzad Khalvati},
journal= {arXiv preprint arXiv:2402.03547},
year = {2024}
}