Cross-Vendor Reproducibility of Radiomics-based Machine Learning Models for Computer-aided Diagnosis

背景：在不同的MRI供应商之间重现机器学习模型在前列腺癌检测中的表现仍然是一个重大挑战。 方法：本研究使用Pyradiomics和MRCradiomics库从T2加权MRI图像中提取放射学特征，研究支持向量机（SVM）和随机森林（RF）模型。使用最大相关最小冗余（MRMR）技术进行特征选择。我们旨在通过多模态学习和特征融合提高临床决策支持。 结果：我们的SVM模型利用Pyradiomics和MRCradiomics的组合特征，在Multi-Improd数据集（Siemens扫描仪）上实现了0.74的AUC值，但在Philips测试集上降至0.60。RF模型显示出类似的趋势，其中仅使用Pyradiomics特征的模型表现出显着的鲁棒性（在Philips上的AUC值为0.78）。 结论：这些发现表明多模态特征集成的潜力，以提高机器学习模型在前列腺癌检测中的鲁棒性和可推广性，以支持临床决策。本研究是开发可靠的AI驱动诊断工具，以在各种成像平台上保持功效的重要一步。

解决问题：如何提高机器学习模型在不同MRI厂商间的复现性，以用于前列腺癌检测的临床决策支持？

关键思路：利用Pyramidics和MRCradiomics库提取T2加权MRI图像的辐射学特征，使用最大相关最小冗余技术进行特征选择，通过多模态学习和特征融合提高模型的鲁棒性和泛化能力。

亮点：SVM模型在Multi-Improd数据集（Siemens扫描仪）上利用Pyramidics和MRCradiomics的组合特征实现了0.74的AUC，但在Philips测试集上降至0.60。RF模型显示出类似的趋势，但单独使用Pyramidics特征的模型表现出较强的鲁棒性（在Philips上实现了0.78的AUC）。该研究为开发可靠的人工智能诊断工具迈出了重要一步。

相关研究：最近的相关研究包括：1. 'Deep learning-based radiomics for prostate cancer detection on MRI: a systematic review and meta-analysis'；2. 'Radiomics-based prostate cancer detection and characterization: a systematic review and meta-analysis'。