多模态儿童胰腺炎分类的上游概率性Meta-插值
计算机视觉与模式识别
2025-11-25 v1 机器学习
摘要
儿童胰腺炎是一种渐进性和致残性的炎症性疾病，包括急性胰腺炎和慢性胰腺炎，在临床诊断中面临显著挑战。机器学习方法也因样本稀缺和多模态影像复杂性而面临诊断挑战。为此，本文引入Upstream Probabilistic Meta-Imputation（UPMI），一种轻量级数据增强策略， operated在meta-learner之前的低维meta特征空间中，而非在图像空间中。特定模态的逻辑回归（T1W和T2W MRI放射组学）产生概率输出，这些输出被转换为7维meta特征向量。随后，在每个交叉验证折中拟合类别条件的高斯混合模型（GMM），用于抽样合成meta特征，与真实特征组合后训练随机森林（RF）meta-分类器。在67例伴随T1W/T2W MRI的儿童患者中，UPMI实现了平均AUC为0.908 ± 0.072，约比仅使用真实数据的基线（AUC 0.864 ± 0.061）提升约5%。
引用
@article{arxiv.2511.17635,
title = {Upstream Probabilistic Meta-Imputation for Multimodal Pediatric Pancreatitis Classification},
author = {Max A. Nelson and Elif Keles and Eminenur Sen Tasci and Merve Yazol and Halil Ertugrul Aktas and Ziliang Hong and Andrea Mia Bejar and Gorkem Durak and Oznur Leman Boyunaga and Ulas Bagci},
journal= {arXiv preprint arXiv:2511.17635},
year = {2025}
}
备注
5 pages, 5 figures