14、放射组学中的机器学习与深度学习：挑战、机遇与RADIoT框架

放射组学中的机器学习与深度学习：挑战、机遇与RADIoT框架

1. 放射组学中的机器学习模型

机器学习（ML）主要分为监督学习和无监督学习两大类。监督学习旨在将输入向量映射到相应的目标向量，主要任务包括分类和回归，但该学习方式存在标记数据稀缺的问题，因为手动标记数据既昂贵又费力。无监督学习则仅对输入向量的数据进行建模，从无输出向量的数据中挖掘相关信息和关系。

1.1 传统机器学习模型

传统的放射组学监督式机器学习主要包括基础分类器和元学习器。常见的基础分类器有决策树（DT）、人工神经网络（ANN）、朴素贝叶斯（NB）、支持向量机（SVM）、逻辑回归（LR）和k近邻（k - NN）。元学习器主要包括同质和异质集成，如Bagging、AdaBoost、随机森林和堆叠。无监督学习类别主要分为聚类、密度估计（DE）、可视化和投影三大部分。

这些模型多年来已被研究并应用于放射组学，主要集中在疾病的预后和诊断以及数据管理方面。例如，线性SVM被用于头颈部肿瘤的预后，基于手工和深度学习提取的特征，在多模态CT和PET图像上进行评估，MCC和准确率分别达到0.848和0.965；LR用于通过CT图像检测肾癌，基于手工特征提取，ROC_AUC值达到0.878；随机森林（RF）、AdaBoost、CART决策树（DT）和XGBoost（XGB）被用于通过CT图像诊断肺癌，其中RF结合LBP在准确率、AUC、精确率和召回率方面表现出色，分别为77.89、76.92、74.19和90.20。

1.2 深度学习（DL）模型

深度学习网络是受人类大脑启发的多层前馈神经网络，能够接收3D图像作为输入并进行端到端训练，同时学习极具区分性的图像特