基于迁移学习特征在可切除胰腺导管腺癌中的预后价值
定量方法
2019-08-22 v2 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
胰腺导管腺癌（PDAC）是最具侵袭性的癌症之一，预后极差。影像组学已在包括 PDAC 在内的多种癌症中显示出预后能力。然而，仅基于手工提取影像组学特征的传统影像组学流程的预后价值有限。卷积神经网络（CNNs）已在计算机视觉任务中表现出优于这些基于特征的模型。然而，从头训练 CNN 需要大样本量，这在大多数医学影像研究中不可行。作为一种替代方案，基于 CNN 的迁移学习已显示出利用小数据集取得合理性能的潜力。在本工作中，我们使用两个独立的可切除 PDAC 队列开发并验证了一种基于 CNN 的迁移学习方法，用于 PDAC 患者总生存的预后。所提出的用于 PDAC 预后的深度迁移学习模型达到了受试者工作特征曲线下面积 0.74，显著高于传统影像组学模型（0.56）以及从头训练的 CNN 模型（0.50）。这些结果表明，深度迁移学习可能在医学影像中使用小数据集显著改善预后性能。
引用
@article{arxiv.1905.09888,
title = {Prognostic Value of Transfer Learning Based Features in Resectable Pancreatic Ductal Adenocarcinoma},
author = {Yucheng Zhang and Edrise M. Lobo-Mueller and Paul Karanicolas and Steven Gallinger and Masoom A. Haider and Farzad Khalvati},
journal= {arXiv preprint arXiv:1905.09888},
year = {2019}
}