超高维混杂因子选择算法比较及其在放射组学数据中的应用
统计方法学
2023-10-11 v1
摘要
放射组学是医学影像数据分析中一个新兴的领域，尤其在癌症方面。它涉及将数字医学图像转换为可挖掘的超高维数据。机器学习算法被广泛用于放射组学数据分析，以开发强大的决策支持模型，从而提高诊断、预后评估和疗效预测的精确度。然而，用于因果推断的机器学习算法此前尚未应用于放射组学分析。在本文中，我们评估了用于因果推断的机器学习算法在放射组学中的价值。我们选择了三种近期具有竞争力的因果推断变量选择算法：结果自适应 lasso (outcome-adaptive lasso, OAL)、广义结果自适应 lasso (generalized outcome-adaptive lasso, GOAL) 和因果球筛选 (causal ball screening, CBS)。我们使用确定独立性筛选 (sure independence screening) 程序提出了 GOAL 和 OAL 面向超高维数据的扩展，即 SIS + GOAL 和 SIS + OAL。我们通过模拟研究以及两个癌症（骨肉瘤和胶质肉瘤）放射组学数据集比较了 SIS + GOAL、SIS + OAL 和 CBS。两项放射组学研究与模拟研究均确定 SIS + GOAL 为最优变量选择算法。
引用
@article{arxiv.2310.06315,
title = {Ultra-high dimensional confounder selection algorithms comparison with application to radiomics data},
author = {Ismaïla Baldé and Debashis Ghosh},
journal= {arXiv preprint arXiv:2310.06315},
year = {2023}
}