文献速递胸部技术与安全DR

基于影像组学的胸片患者人口学特征预测:超越深度学习看偏倚风险

Radiomics-Based Prediction of Patient Demographic Characteristics on Chest Radiographs: Looking Beyond Deep Learning for Risk of Bias.
PubMed 文献 · AJR Am J Roentgenol · 2024-10-16

研究利用两个公开胸片数据集,影像组学机器学习模型对患者年龄、性别和自我报告种族的预测表现出中等至良好性能。影像组学模型对人口学特征的编码引发了对深度学习模型已识别类似偏倚的担忧,需要放射科医生保持警惕并进一步研究。

要点

  • 影像组学机器学习模型可从胸片预测年龄、性别和自我报告种族,性能中等至良好。
  • 该编码人口学特征的能力提示可能存在与深度学习模型类似的偏倚。
  • 放射科医生需对影像组学模型保持警惕,原文要求进一步研究。

核心结论

  • 影像组学机器学习模型在胸片上对年龄、性别和自我报告种族的预测达中等至良好性能,其编码人口学特征引发类似深度学习模型的偏倚担忧,需要放射科医生警惕并进一步研究。

研究设计与样本

  • 使用两个公开胸片数据集的影像组学机器学习模型研究,原文未报告样本量、中心数及参考标准。

局限性

  • 原文结论指出该编码人口学特征引发对类似深度学习模型已识别偏倚的担忧,需要放射科医生警惕和进一步研究。

以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。

英文原文(摘要)· 点击展开

Using two public CXR datasets, radiomics ML models showed moderate-to-good performance for predicting patients’ age, sex, and self-reported race. This encoding of demographic characteristics by radiomics ML models raises concern for biases similar to those previously identified for deep learning models, requiring radiologist vigilance and further study.

来源:AJR Am J Roentgenol,查看原文。版权归原作者所有。

引用

  1. Kavandi H, Kulkarni P, Garin SP, et al. Radiomics-Based Prediction of Patient Demographic Characteristics on Chest Radiographs: Looking Beyond Deep Learning for Risk of Bias. AJR Am J Roentgenol. 2024. PMID: 39413236. doi:10.2214/AJR.24.31963

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。