非小细胞肺癌预测研究进展

目录

😎 引言

😊 项目背景

H2 数据集介绍

H2 项目目标

😁 项目进展

H3 上周回顾

H3 本周工作重点

🤔 数据预处理

H3 CT 图像特征提取

H3 临床数据处理

😮 模型选择与训练

H3 神经网络模型介绍

H3 使用的开源模型

😃 结果与讨论

H3 模型性能评估

H3 项目成果分析

🎉 总结与展望

H3 项目总结

H3 未来展望

引言

大家好，我是在 2021 年 11 月 3 日，我们在德雷克塞尔大学秋季学期的第七周进行的项目的成员之一。在这个项目的第七周，我很抱歉上周不在，我和我的合作伙伴去了芝加哥参加了狭窄重症护理学会的年会。在这次会议期间，我们基本上是去展示我们的项目和产品，在一个贸易展上展示我们的产品。在那里，能够了解神经重症护理领域的各种技术真的很酷，我希望在有更多听众时能谈谈我的经历。但是现在，我们可以专注于项目的事情，所以，我很抱歉，本内特，我们一直在研究使用这个公开数据集来预测非小细胞肺癌的复发。这个数据集被称为放射基因组学，因为它包含影像特征以及RNA测序数据。你可以把这个理解为在这种癌症中表达的基因。此外，还有临床数据。Alex，好的，他在这里，很好。我们正在处理这个数据集，尤其是对于放射基因组学来说，这是一个很大的部分，因为我们需要从CT图像中提取影像特征，而这并不是简单的代码。但是，我认为这些模型可能会很有用，我还没有具体研究过它们，但我们一直在开发这个脚本，它使用了两个我很喜欢的东西。一个是开源的肺分割模型，这个模型是在分割肺部数据上训练的，它采用了一个基于单元的模型，它可以接受CT扫描的DICOM图像，并返回分割区域，这对我们很有用，因为我们不必依赖手动分割图像，这是相当准确的。对于那些有兴趣实际分割肺部或肺部CT图像的人来说，我会依赖于它。然后有一个叫做Pi-Radiomics的包，它有各种各样的特征类别，可以根据像素数组提取特征，这是肺和分割的像素数组。Alex，你对此的具体贡献是处理临床特征，所以你拿到了电子表格，我相信你可以找到它，这是......我还把我在论文上写的东西记录下来了，好的，那对我很有帮助，我认为这个元数据是描述这个目录里的内容的，比如说是什么类型以及有多少个，因为有CT和PET，然后它是身体的不同区域，是的，这些案例ID是个别的人，然后你编码了他们是否吸烟，他们每年吸了多少包，我认为就是这个意思，或者类似的，所以这很有帮助，你做了一个......或者没有编码器，我们实际上可能需要考虑对这些向量进行一位有效编码，而不是对分类特征进行序数编码，我喜欢一位有效编码多于序数编码，因为当你发送时，如果你考虑一下神经网络的工作原理，它会强制神经网络使用一定数量的神经元进行一种序数值，然后对于另一种序数值，它会使用另一种数量的神经元，如果你有一个特征，例如狗、猫和马，对吧，这是狗，只有第一个神经元，如果你在第一层有三个神经元，第一个神经元会在这里激活，但是如果你看看猫，它会是第二个，然后马会是第三个，所以这是一种强制性的做法，具体取决于你实际使用的分类变量的哪个类别，我不知道有人对于如何对数据进行编码总是有偏好，因为对于一些序数特征来说，比如存活状态，我觉得是否将死者排在活着者之前在某种程度上是主观的，但是我认为应该有所不同，但是默认情况下，序数编码会随机设置，所以对于某些序数特征，可能存在一定的主观性，例如生存状态，但是序数编码给出的是随机值，所以它只是为某些东西设置第一个值，你可以尝试两种方法