基于含水率感知的机器学习方法用于多物理场组织特性表筛选

《IEEE Pulse》：Water-Content-Aware Machine Learning for Screening Multiphysics Tissue Property Tables

　　

摘要：

组织特性表是射频安全评估、生物热模拟以及磁共振成像中特定吸收率建模的基础。由于这些表格整合了来自多种不同实验方案和不同组织条件下的测量数据，因此各种特性之间的关联可能较为微妙，难以通过手工方式验证。我们提出了一种考虑水分含量的筛选流程，该流程从IT’IS组织特性数据库V5.0（包含112个条目）中学习这些特性间的关联关系，并据此生成一份需进一步详细审查的条目清单。这项工作在方法上有三方面创新：（i）在建模之前明确识别并移除缺失的特征列；（ii）在中位数插补的同时加入二元缺失指示特征，使模型能够区分观测值与插补值；（iii）在模型拟合前对特征向量进行系统性的重复性检查，发现了16对具有完全相同插补后特征的条目。使用极随机化树回归器进行5折交叉验证，其平均绝对误差为7.48个百分点，均方根误差为17.04个百分点。此外，还采用了基于分布自由的置信区间对模型结果进行封装，置信水平为90%，对应的q值约为14.0p值。

数据与预处理

我们使用了IT’IS组织特性数据库版本5.0[2]，具体来说是其中关于热学/介电特性及磁共振特性的表格。该数据库提供了112种组织的五种热学特性（密度、比热容、热导率、热传递率以及产热率）、低频导电率、两种各向异性的低频导电率数值，以及1.5T和3.0T条件下的磁共振弛豫时间（T1和T2）的平均值。这112个条目都标注有明确的平均水分含量，该数值被用作后续预测的目标值。没有因为水分含量缺失而排除任何条目。