针对传统的放射多组学(影像组学、剂量组学和轮廓组学)模型往往采用特征拼接的方式,容易忽略不同组学特定统计属性、产生过拟合的问题,提出了以一致性约束和自适应权重为核心构建的多组学协同学习算法(multi-omics collaborative learning,MOCL)。该算法采用一致性约束挖掘不同组学特征之间的互补模式,再通过香农熵自适应学习不同组学特征的权重,最后引入紧致度图来避免过拟合现象。通过将MOCL在311名鼻咽癌患者组成的临床影像数据上得到的实验结果与3种传统的机器学习算法以及2种多视角算法进行比较,结果表明MOCL在多组学协同学习上,具有一定的优势,能为鼻咽癌自适应放疗资格预测提供有价值的决策依据。
邱成羽;李兵;林世杰;盛嘉宝;滕信智;张将;程煜婷;张馨匀;周塔;葛红;张远鹏;蔡璟;
香港理工大学健康科技与资讯学系,中国香港999077 南通大学医学信息学系,江苏南通226019郑州大学附属肿瘤医院,河南郑州450008 香港理工大学深圳研究院,广东深圳518057香港理工大学生物医学工程学系,中国香港999077香港理工大学健康科技与资讯学系,中国香港999077南通大学医学信息学系,江苏南通226019香港理工大学健康科技与资讯学系,中国香港999077 香港理工大学深圳研究院,广东深圳518057郑州大学附属肿瘤医院,河南郑州450008香港理工大学健康科技与资讯学系,中国香港999077 南通大学医学信息学系,江苏南通226019 香港理工大学深圳研究院,广东深圳518057
计算机与自动化
数据融合;机器学习;特征提取;特征选择;预测;图像分析;自适应算法;鼻咽癌;多组学
《智能系统学报》 2024 (001)
P.58-66 / 9
国家自然科学基金项目(82072019);深圳市科技创新委员会深圳市基础研究计划(JCYJ20210324130209023);深圳-香港-澳门科技计划(C类)(SGDX20201103095002019);江苏省自然科学基金项目(BK20201441);河南省医学科学技术研究省部共建项目(SBGJ202103038,SBGJ202102056);河南省重点研发与推广项目(科学技术研究)(222102310015);河南省自然科学基金(222300420575,232300420231);河南省科学技术研究项目(222102310322)。
10.11992/tis.202304029
评论