基于机器学习的放射组学特征鲁棒性分析在真实世界部署场景中的应用
机器学习
2025-10-30 v1
摘要
放射组学基于机器学习的模型在临床决策支持方面显示出前景，但因影像协议、定位和分割的差异而容易受到分布偏移的威胁。本研究系统性地探讨了放射组学基于机器学习的模型在五种 MRI 序列上的分布偏移下的鲁棒性。我们评估了不同获取协议和分割策略对模型可靠性的影响，包括预测能力和不确定性感知能力。使用 16 个水果的幻像，我们通过：(1) 跨 T2-HASTE、T2-TSE、T2-MAP、T1-TSE 和 T2-FLAIR 序列的协议差异；(2) 分割差异（全部分割、部分分割、旋转）；(3) 观察者间变异性来评估分布偏移。我们在 8 个一致鲁棒特征与序列特异性特征上训练 XGBoost 分类器，在域内和域外条件下测试模型性能。结果表明，基于协议不变特征训练的模型在分布偏移下保持 F1 分数 >0.85，而使用所有特征的模型在协议变化时显示 40% 的性能下降。数据增强显著改善了不确定性估计的质量，并在不牺牲准确性的前提下将预期校准误差（ECE）降低 35%。温度缩放提供的校准效益最小，确认 XGBoost 的内在可靠性。我们的发现表明，协议感知的特征选择和受控幻像研究有效预测模型在分布偏移下的行为，为开发抗真实世界协议差异的鲁棒放射组学模型提供了框架。
引用
@article{arxiv.2510.25026,
title = {Machine Learning based Analysis for Radiomics Features Robustness in Real-World Deployment Scenarios},
author = {Sarmad Ahmad Khan and Simon Bernatz and Zahra Moslehi and Florian Buettner},
journal= {arXiv preprint arXiv:2510.25026},
year = {2025}
}