面向透明膝部MRI评估的患者专用放射组特征集检索

经典放射组特征旨在量化图像外观和强度模式。与针对疾病分类训练的端到端深度学习模型相比，放射组管道使用低维参数分类器提供更好的透明度和可解释性，但常因依赖于基于人群的预定义特征集而表现不足。最近的自适应放射组工作利用深度学习预测特征权重，然后对这些权重进行阈值处理，以保留来自大型放射组特征池F(通常约10^3)中排名前k的特征。然而，这种边际排序可能引入冗余描述，忽视互补特征交互。我们提出了针对特定患者的特征集选择框架，预测每个受试者的单个紧凑特征集，目标是互补且多样化的证据，而非边际前k特征。为克服F从k特征中选择的不可穷竭搜索空间，我们的方法利用两阶段检索策略:随机抽取多样化候选特征集，然后用学习到的评分函数对这些特征集进行排序，以选择特定患者的高绩效特征集。该系统包含特征集评分器和执行最终诊断的分类器。我们经实证表明，两阶段检索近似于原始的穷尽所有k特征选择。我们在包括ACL撕裂检测和髋关节骨性骨痛(KL)分级等任务上进行验证，实验结果表明，该方法以相同k值优于top-k方法，同时在保持高透明度方面与端到端深度学习模型相当。该模型生成可审计的特征集，将临床结果与特定解剖区域和放射组家族联系起来，允许临床医生检查哪些解剖结构和量化描述驱动预测。