放射多组学协同学习预测鼻咽癌自适应放疗触发机制

摘要: 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。

• 关键词: 
• 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  

鼻咽癌(nasopharyngeal carcinoma, NPC)是指发生于鼻咽腔顶部和侧壁的恶性肿瘤。根据国际癌症研究机构的数据[1]，2020年，在世界范围内估计有1930万新的癌症病例，其中大概有13.3万例鼻咽癌新发病例，死亡人数约为8万人，表现出较高的死亡率。在中国，鼻咽癌的发病人数明显高于世界平均水平(1.9万/10万)[2-3]，主要发生在香港和南方五省(广东、广西、湖南、福建和江西)，是当地头颈部恶性肿瘤的首位。

随着人工智能技术的发展，影像组学被广泛应用于癌症的临