Cell | 融合影像组学与microRNA构建预测模型，机器学习助力个性化治疗

本文链接：https://blog.csdn.net/Python_cocola/article/details/144991801

Cell Reports Medicine近期的研究结合microRNA与影像组学，提出一种面向患者术后腹膜后肿块组织学性质的分类算法。该研究将研究重点放在解决单一方法缺陷的思路极具参考价值。

引言

过度化疗是非精原细胞肿瘤患者常见的问题，特别是在接受过铂类化疗后的残余腹膜后肿块患者中。过度化疗不仅增加了患者的治疗负担，还可能引发严重的副作用。通过预测模型区分坏死/纤维化组织、活性生殖细胞肿瘤以及畸胎瘤，对于降低患者的治疗风险至关重要。

通过影像组学将医学影像转化为高维数据，能够提高机器学习算法的预测准确性。然而，由于影像组学可解释性较差且在畸胎瘤、活性生殖细胞肿瘤区分任务中存在局限性，使得单凭影像组学难以实现精准的预测。

Cell Reports Medicine近期的研究结合microRNA与影像组学进行综合诊断，显著提升了肿块成分的区分能力，对辅助制定个性化治疗方案起到积极的促进作用。

数据及方法

该研究纳入了2014年9月至2022年8月期间的105名患者进行预测模型的开发，其中75名患者作为训练集，30名患者作为验证集。同时，该研究纳入了2022年10月至2024年6月期间34名患者作为测试集。该研究首先基于多种机器学习算法构建影像组学评分，然后利用Logistic回归构建影像组学-miRNA的融合模型，最后通过统计分析方法对预测模型的效果进行评估。

影像组学模型构建主要包括ROI勾画、特征工程和机器学习模型构建三个关键环节。在ROI勾画环节中，该研究通过经验丰富的放射科医生手动选择CT影像中最具代表性的肿瘤切面，实现对患者残余后腹膜肿块精确的三维区域勾画。在特征工程环节中，该研究使用Pyradiomics提取了包括一阶统计特征、纹理特征在内的1130个特征，并通过一系列数据预处理和筛选步骤（如一致性检验、相关性分析、LASSO回归等）进一步筛选出与组织病理结果相关的特征。在机器学习模型构建环节中，该研究选定了六种机器学习算法，通过贝叶斯优化、网格搜索等调参手段构建了预测模型。

该研究采用晚期融合方法构建融合模型。该研究基于影像组学模型的预测概率与miRNA数据，使用逻辑回归方法建立新的模型。该模型综合了影像组学与miRNA信息的优势，能够有效地区分患者术后腹膜后肿块的组织学性质。

该研究采用多种指标评估模型效果，包括ROC曲线、校准曲线、决策曲线、DeLong检验、Brier得分以及AIC等。

总结

该研究针对单一方法的局限性，融合影像组学与血清microRNA提出了一种面向患者术后腹膜后肿块组织学性质的分类算法。该研究的参考价值在于其针对影像组学单一方法的缺陷，提出结合microRNA构建融合模型的解决方案。参照这种思路，各位读者在自己的研究中并不需要追求建模方法的新颖性，大可以将重点放在挖掘单一方法的局限性。针对这种局限性，即便是通过常规的、简单的方法融合多组学特征，依旧可以发表高水平研究成果。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述