50、放射组学：原理、工具与未来展望

放射组学：原理、工具与未来展望

数据划分与评估集的使用

在放射组学研究中，数据划分是一个关键步骤。可以采用分层的方式进行数据划分，这样不同类别样本在不同折或训练集、验证集和评估集中的分布相同。分层方法的优势在于避免结果出现偏差，因为若不采用分层，方法的训练或评估可能会偏向某一特定类别。

除了从单一数据集中生成训练集、验证集和评估集外，还可以使用单独的数据集作为评估集，同时使用交叉验证来生成训练集和验证集。这种方法适用于数据集之间有明显区别的情况，例如使用开源数据集或从不同机构获取的数据。使用单独评估集时，要确保其具有代表性，并且只能在整个放射组学流程构建和训练完成后使用，不能将其用作验证集。这样做的好处是可以评估模型在新环境中的典型性能。

评估指标的选择

选择合适的评估指标对于准确衡量放射组学流程的性能至关重要。常见的评估指标是准确率，但在评估数据存在类别不平衡时，准确率往往会给出有偏差的性能评估。例如，在一个数据集中有90个类别1的样本和10个类别2的样本，若算法将所有样本都预测为类别1，准确率可达90%，但实际性能并无价值。

为解决这个问题，可以使用灵敏度和特异性等指标，它们能报告单个类别的准确率。若要评估整个流程在所有类别上的总体性能，可以使用接收者操作特征曲线下面积（AUC）和F1分数。

ROC曲线展示了不同分类器阈值下的真阳性率（TPR，即灵敏度）与假阳性率（FPR，即1 - 特异性）的关系。AUC是ROC曲线下的面积，取值范围在0到1之间，0.5表示随机猜测。报告AUC时，同时展示对应的ROC曲线很有帮助，因为两条曲线的AUC可能相同，但形状可能差异很大。F1分数是精确率和召回率（灵敏度）的调和平均值，平