[论文解读] Constructing multi-modality and multi-classifier radiomics predictive models through reliable classifier fusion

Zhiguo Zhou, Zhijie Zhou+6 more|arXiv (Cornell University)|Oct 4, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 1被引用 11

一句话总结

本文提出了一种新颖的可靠分类器融合策略，通过在放射组学中整合多模态（例如CT、MRI）和多分类器输出，以提升癌症预后预测建模的性能。通过将分析证据推理（ER）规则应用于特定模态的分类器输出得分进行融合，该方法在公开数据集和临床数据集上均优于使用单一分类器或简单特征拼接的传统模型，表现出更优的性能。

ABSTRACT

Radiomics aims to extract and analyze large numbers of quantitative features from medical images and is highly promising in staging, diagnosing, and predicting outcomes of cancer treatments. Nevertheless, several challenges need to be addressed to construct an optimal radiomics predictive model. First, the predictive performance of the model may be reduced when features extracted from an individual imaging modality are blindly combined into a single predictive model. Second, because many different types of classifiers are available to construct a predictive model, selecting an optimal classifier for a particular application is still challenging. In this work, we developed multi-modality and multi-classifier radiomics predictive models that address the aforementioned issues in currently available models. Specifically, a new reliable classifier fusion strategy was proposed to optimally combine output from different modalities and classifiers. In this strategy, modality-specific classifiers were first trained, and an analytic evidential reasoning (ER) rule was developed to fuse the output score from each modality to construct an optimal predictive model. One public data set and two clinical case studies were performed to validate model performance. The experimental results indicated that the proposed ER rule based radiomics models outperformed the traditional models that rely on a single classifier or simply use combined features from different modalities.

研究动机与目标

• 解决在不考虑模态特异性预测能力的情况下，仅结合单一影像模态特征所带来的局限性。
• 克服在放射组学应用中从众多可用选项中选择最优分类器的挑战。
• 开发一种稳健的融合策略，将多样化分类器输出与模态特异性预测整合为单一高性能预测模型。
• 在公开数据集和临床数据集上验证所提出的融合框架，以证明其泛化能力和优越性。

提出的方法

• 在从各影像模态（如CT、MRI）中提取的放射组学特征上训练模态特异性分类器。
• 应用分析证据推理（ER）规则，融合来自不同分类器和模态的输出得分。
• 利用ER规则对每个分类器预测的不确定性和可靠性进行建模，从而实现证据的最优组合。
• 基于ER框架生成的加权置信度得分进行预测融合，而非采用简单的平均或特征拼接。
• 使用公开数据集和两个临床病例研究对模型进行验证，以评估其在多样化临床场景下的性能。
• 采用AUC、准确率和敏感度等标准指标评估模型性能，并与基线模型进行比较。

实验结果

研究问题

• RQ1 与单一模态或单一分类器模型相比，结合多个分类器和影像模态预测的融合策略是否能提升基于放射组学的预测性能？
• RQ2 在预测准确性和鲁棒性方面，分析证据推理（ER）规则相较于传统融合方法（如特征拼接或简单平均）表现如何？
• RQ3 所提出的融合模型在不同临床数据集和影像协议下是否保持或提升性能？
• RQ4 基于ER的融合策略在多大程度上能够处理不同影像模态间分类器输出的不确定性和变异性？

主要发现

• 所提出的基于ER的放射组学模型在AUC值上优于使用单一分类器或融合多模态特征的传统模型。
• 该模型在公开数据集和两个临床病例研究中均表现出更优的预测性能，表明其具有强大的泛化能力。
• 分析证据推理融合策略通过根据分类器的置信度加权输出，有效管理了不确定性，提升了预测的可靠性。
• 模态特异性分类器的融合优于通过拼接不同影像模态特征构建的模型，表明预测级融合比特征级融合更具有效性。
• 结果证实，通过有原则的融合机制整合多个分类器和模态，可构建出更稳健、更准确的放射组学模型。