基于肘部MRI影像的放射组学指纹

准确解读膝盖MRI扫描依赖于临床专家判断，往往存在高度变异且难以扩展的问题。现有的放射组学方法使用固定的放射组学特征集合（签名），在群体水平上选择特征并统一应用于所有患者。虽然可解释，但这些签名往往受限于代表单个病理变化的能力。结果是，传统的放射组学方法在性能上不如最新的端到端深度学习（DL）方法——后者不使用可解释的放射组学特征。我们认为，当前放射组学选择中存在的个体agnostic本质并非解释性所致，但导致其在本应用中的泛化性能差。本文提出一种新型放射组学指纹框架，其中为每个患者动态构建放射组学特征集合（指纹），由DL模型选择特征。与现有的放射组学签名不同，我们的指纹是通过预测大型放射组学特征池中特征的相关性，并选择与单个患者的临床状况相关的特征来生成的。放射组学选择模型在与低维（相对可解释）逻辑回归共同训练，用于下游分类。我们在包括一般膝关节异常、前交叉韧带（ACL）撕裂和半韧带撕裂等多个诊断任务上对方法进行了验证，结果表明其诊断准确率与最先进的端到端DL模型相当或更好。更重要的是，我们展示了该方法所具备的解释性有助于获得有意义的临床见解和潜在生物标志物的发现，针对真实世界临床病例进行了详尽的定性和定量分析，以证明这些优势。