Radiology | 基于机器学习开展多模态数据分析怎么做，这项研究的技术路线非常典型！-CSDN博客

本文链接：https://blog.csdn.net/m0_59164520/article/details/146379463

Radiology近期的研究基于机器学习技术整合多模态数据，构建了一种冠状动脉疾病患者主要不良心血管事件风险预测模型。该研究模型构建的过程非常典型，模型评估所用的方法也非常全面，本文对其中涉及的技术路线进行梳理，希望对大家有所帮助。同时，我正针对医学人工智能开发分析软件，对于涉及哪些方法、生成哪些结果、用什么颜色风格等都十分欢迎大家入群提意见。资源获取及进群方式请看文末。

引言

心血管疾病是全球主要的健康威胁之一，其中冠状动脉疾病（CAD）更是最常见的类型。冠状动脉疾病不仅严重影响患者的生活质量，还可能导致心力衰竭和猝死等严重后果。对于冠状动脉疾病的诊断，冠状动脉CT血管造影及磁共振负荷心肌灌注检查的结合应用对实现精准的风险分层和治疗决策至关重要。

目前，机器学习模型已被广泛应用于多种心血管疾病的预后评估，但由于不同成像技术的数据难以同时整合和分析，通过机器学习技术整合多模态数据进行心血管风险分层尚未得到充分研究。Radiology近期的研究凭借机器学习技术，旨在整合多模态数据来提升预后评估能力。

数据及方法

该研究纳入2008年12月至2020年1月间Jacques Cartier私人医院的2038例患者数据进行模型开发，并将另外两家医疗机构的543例患者数据作为外部数据集。该研究构建模型模型的过程中，使用到18项临床变量、2项超声心动图变量、9项冠状动脉CT血管造影变量以及12项磁共振负荷心肌灌注检查变量。

首先，该研究使用Lasso特征选择进行特征选择，共筛选出6个关键变量。在使用Lasso进行特征选择的过程中，通常会生成lasso_path和mse_path两项结果展示图，其中lasso_path反应的是随正则化参数λ变化而变化的特征系数，mse_path反应的的是随正则化参数λ变化而变化的平均方差（当然mse_path也可以替换为其它评价指标，该研究就替换为Auc）。

其次，该研究使用机器学习算法在特征选择结果的基础上构建模型。该模型采用了逻辑回归、XGBoost以及随机森林等算法构建预测模型，并通过ROC曲线、precision-recall曲线、校准曲线、F1 score、敏感性、特异性、PPV、NPV和Brier评分等评估方法对模型性能进行验证。

最后，该研究通过SHAP值评估每个变量对最终模型的贡献。

总结

总的来说，基于机器学习开展数据分析整体都是这个流程。

首先，需要通过数据收集及处理获取数据表格。该研究即是将多模态数据转换为表格数据，例如针对医学影像，该研究采用了左心室肥厚、左心室舒张末期容积指数等变量（顺便提一句，医学影像通过pyradiomics提取影像组学变量，技术路线也是一样的）。

其次，就是针对获取的数据表格进行特征选择。常用的特征选择方法包括Lasso及‌递归特征消除两种方法，Lasso适用于回归或二分类场景，不太适合在变量非常多的情况；递归特征消除则仅会生成一张结果展示图。

接下来，就是基于机器学习算法进行模型构建。可能大家会疑惑使用随机森林、XGBoost这些算法还需要特征选择么？答案是肯定的，合适的特征选择只会使模型效果更好。

再之后，就是对模型进行评估。该研究使用的评估方法很全，这一点也是我选择解读这篇论文的一个原因。

最后，就是通过SHAP值评估每个变量对最终模型的贡献，可以说SHAP值是目前在机器学习相关研究中最为常见的可解释性方法了。

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