摘要
由于硬件、采集方案以及重建参数的差异所导致的批次效应，给放射组学研究带来了严峻挑战，限制了模型在多中心研究中的通用性。现有的协调方法，如ComBat、CovBat、z分数标准化以及生成对抗网络，在应用于高维放射组学数据时存在显著局限。ComBat假设特征空间为线性结构，往往会导致那些只能被后续分类器识别的特定中心信息残留下来。本文提出了RiTex（黎曼纹理协调算法），该框架通过解决带有类别信息的生物散射特征与经过Ledoit–Wolf正则化的各批次协方差之间的广义特征值问题，并以SPD流形上的Fréchet均值作为平均计算依据，从而有效解决这一问题。我们在radMLBench的50个数据集以及一个包含已知中心标签的新四中心头颈癌数据集（n = 380名患者，来自TCIA的4个中心：HGJ、MDACC、Maastro、QIN）上对RiTex进行了测试。在radMLBench数据集中，RiTex在50个数据集中的48个（96%）上降低了批次自动检测的AUC值，经过Benjamini–Hochberg校正后，仍有42个数据集（84%）的降低效果显著；批次AUC的平均降低值为ΔBatch = ?0.365（95%自助法置信区间为[?0.418, ?0.312]），而生物AUC的平均变化值则仅为ΔBio = +0.018，95%置信区间为[?0.011, +0.047]，即生物AUC并未出现明显下降。在具有真实中心标签的头颈癌数据集中，RiTex将批次AUC从0.74降低到了0.59，而ComBat和CovBat的处理结果仍保持在约0.98的水平。通过逐项分析可知，影响算法性能的主要因素是GEVD步骤以及Ledoit–Wolf收缩操作，而SPD Fréchet均值更多起到理论支撑作用，实际贡献微乎其微（与算术平均值相比，批次AUC的降低值为?0.014）。
