基于稀疏秩揭示QR分解与自适应图学习的癌症治疗响应预测放射组学特征选择方法研究

【编辑推荐】本研究创新性地将秩揭示QR分解(RRQR)与非负矩阵分解(NMF)结合，提出一种自适应图学习的无监督特征选择方法，有效解决放射组学特征中冗余信息干扰问题。通过CT/MRI/QUS多模态影像数据验证，在局部晚期乳腺癌(LABC)和头颈癌(H&N)治疗响应预测中准确率达65-78%，为临床精准医疗提供新工具。

　　

研究亮点

• 首创性将RRQR与NMF结合，突破传统RRQR无法生成置换矩阵的技术瓶颈

• 通过动态更新的拉普拉斯图保留样本几何结构，自适应消除噪声干扰

• 引入_l2,1-范数约束实现全局信息保留与稀疏解生成

实验研究

本研究经Sunnybrook健康科学中心(SHSC)伦理委员会批准，采用四组临床数据集：

1. 局部晚期乳腺癌(LABC)：117例接受新辅助化疗(NAC)患者，使用GE LightSpeed多排CT扫描仪获取影像

2. 头颈癌三模态数据集：

   • H&N-CT组：CT影像特征

   • H&N-MRI组：3T磁共振扫描特征

   • H&N-QUS组：定量超声光谱特征

机器学习模型

采用支持向量机(SVM)分类器，通过网格搜索优化超参数：

• 核函数半径参数"gamma"

• 分类惩罚系数"C"

为解决数据不平衡问题，训练集采用合成少数过采样技术(SMOTE)处理。评估指标包含准确率、平衡准确率及F1-score三维度。

参数优化

正则化系数在10^-6至10⁶范围内网格搜索，投影维度m设定为√n/2（n为样本量）。

结果展示

• LABC数据集：准确率74%（CT模态）

• H&N-MRI组：准确率78%

• H&N-QUS组：准确率72%

• H&N-CT组：准确率65%

显著优于6种现有NMF特征选择方法

讨论

放射组学特征在治疗响应预测中具有重要价值，但特征维度灾难问题突出。本方法通过：

1. 创新矩阵分解架构降低计算复杂度

2. 动态图学习增强噪声鲁棒性

3. 多模态数据兼容性验证

   为临床决策提供高解释性生物标志物

结论

本研究构建的RRQR-NMF自适应图学习框架，在加拿大NSERC、TFRI等基金支持下，成功实现：

• 计算效率提升40% vs传统NMF

• 噪声数据容忍度提高35%

• 跨模态预测稳定性验证

为癌症精准医疗提供新型特征选择工具