编辑推荐：
研究针对 AI 数据预处理难题，引入 RST 开展研究，证实其可提升肿瘤 ML 模型性能，意义重大。
在当今医疗领域，人工智能（AI）可谓是一颗耀眼的 “明星”，尤其是在医学影像分析方面，它展现出了巨大的潜力。传统的机器学习（ML）方法，以及基于复杂神经网络的深度学习，都在疾病的无创诊断和分类中大显身手。比如在癌症诊断上，结合放射组学分析与 ML 方法，能够为多种癌症构建预测模型，即使是在患者队列较小、难以大规模收集数据的情况下，也能发挥重要作用。
然而，AI 模型构建过程中数据预处理这一关键环节却面临诸多挑战。数据预处理是模型训练流程的重要部分，但它需要大量的数据科学家专业知识，主观性很强，难以实现标准化。目前现有的数据预处理方法，无论是自动化的还是商业的 AutoML 解决方案，大多基于复杂的数学方法，临床领域的专家由于缺乏深入的 AI 知识，很难直接参与到数据预处理算法中。可临床医生对疾病有着独特的见解，如果他们的知识能融入到数据预处理中，说不定能优化 ML 模型的训练过程。正是在这样的背景下，为了解决这些问题，来自维也纳医科大学等机构的研究人员开展了一项关于 “临床医生驱动的核医学 AI 环境中自动化数据预处理” 的研究，相关成果发表在《European Journal of Nuclear Medicine and Molecular Imaging》上。
研究人员为了实现临床专家在数据预处理中的参与，采用了多个关键技术方法。首先，引入规则集表（RST）作为临床医生与数据预处理算法沟通的桥梁。临床医生可以按照简单的预定义语法，在文本文件中编辑规则，这些规则会被 RST 接受并转化为机器可读的输入。其次，收集了三个不同癌症类型的患者队列数据，包括胶质瘤、前列腺癌和弥漫性大 B 细胞淋巴瘤（DLBCL），这些数据来自单中心或双中心。此外，研究中运用了符合成像生物标志物标准化倡议（IBSI）的特征提取技术，并结合患者人口统计学信息形成全组学数据集。在数据预处理阶段，采用了手动固定数据预处理管道（manual DP）和机器学习驱动的数据预处理（MLDP）两种方式，并设置了多种规则场景进行对比分析。最后，使用极端梯度提升（XGBoost）、随机森林（RF）和支持向量机（SVM）算法构建预测模型，并通过 100 倍蒙特卡罗交叉验证（MCCV）和混淆矩阵分析来评估模型性能。
下面来看具体的研究结果：
- 数据预处理管道：研究发现，在不同的癌症队列和规则场景下，数据预处理管道的复杂程度差异较大。例如，在预测 DLBCL 癌症患者 24 个月进展的模型中，采用 “pref - remove”“pref - keep” 指令以及不包含 RST 的 MLDP 预处理方法，仅使用了一个预处理步骤；而 “exp - keep” 和 “exp - remove” 指令则涉及更多的预处理算法。在胶质瘤和前列腺癌的预测模型中，特征选择和异常值检测算法在预处理管道中出现的频率较高。
- 特征分析：在不同癌症队列的模型中，输入特征的存在情况各有不同。对于 DLBCL 癌症预测，基于 MLDP 的模型在不同规则场景下，特征存在情况有所差异，手动预处理的数据则限制为 10 个最突出的特征。在胶质瘤和前列腺癌的预测模型中，也有类似的特征分布规律。总体而言，“exp - remove” 指令下的模型没有输入特征。
- 性能评估：在预测 DLBCL 癌症患者 24 个月进展方面，MLDP + RST XGBoost 模型表现最佳，平衡准确率（BACC）达到 81%；在手动 + RST 设置中，“pref - keep” 指令的模型性能最高。对于胶质瘤癌症患者 36 个月生存预测，MLDP + RST（exp - keep）和手动 + RST（exp - keep）的模型分别取得了 80% 和 81% 的 BACC。在前列腺癌患者高 - 低风险预测中，MLDP + RST（exp - keep）模型和手动 + RST（exp - keep）模型也展现出较高的性能，且 MLDP + RST 预处理的模型在整体上优于手动 + RST 预处理的模型。同时，XGBoost 分类器构建的模型在所有队列中表现最佳。
研究结论和讨论部分指出，这项研究验证了 RST 在提高肿瘤特异性 ML 模型预测性能方面的价值。与没有 RST 的模型相比，结合手动预处理和 RST 的 ML 模型 BACC 最高提升了 18%。其中，胶质瘤模型（“pref - keep” 指令）提升最为明显，而 DLBCL 模型提升相对较小。“exp - keep” 和 “pref - keep” 指令的模型在所有数据集中表现更优。这表明临床医生通过 RST 参与数据预处理不仅可行，而且必要。虽然 MLDP + RST 模型与仅基于 MLDP 的模型相比，未显示出额外优势，但在手动 DP 管道中，RST 指令显著提高了 ML 性能。此外，研究还发现数据预处理是一项复杂的任务，难以标准化。同时，研究也存在一定的局限性，如回顾性研究的性质，以及部分队列来自单中心等问题。
总的来说，这项研究为未来临床 ML 分析中数据预处理提供了新的思路和方法，RST 概念的应用有望让临床医生更好地控制 AI 研究中的数据预处理阶段，推动核医学 AI 技术在癌症诊断和预测领域的进一步发展。
