Page 307 - 《软件学报》2021年第12期

邓成龙 等:基于随机森林的宫颈鳞癌放化疗疗效预测 3971

预测结果最低.
4.4.3 不同预测算法对比
由于目前宫颈癌疗效预测方法较少,因此,为验证本文提出的放化疗疗效预测算法优于其他算法,选取目前
图像分类准确率较高的两种算法(Inception-ResNet-v2 和 Inception-v4)、文献[17]方法与本文算法在训练数据集
及测试数据集上进行实验对比.图 10、图 11 分别展示了 4 种算法在训练集及测试集上预测放化疗疗效准确率.

Fig.10 Prediction results obtained by different classification algorithms on training set
图 10 不同分类算法在训练集上预测结果

Fig.11 Prediction results obtained by different classification algorithms on test set
图 11 不同分类算法在测试集上预测结果

根据图 11 可知:本文利用随机森林算法预测宫颈鳞癌放化疗疗效的 AUC 值达到 0.921,分别高于其他两种
神经网络分类算法.Inception-ResNet-v2 和 Inception-v4 模型虽然分类性能优越,但在数据量较少的情况下分类
效果欠佳.文献[17]只提取了纹理特征,导致描述肿瘤的特征数量及种类不足,使得 LASSO-Logistic 建立的宫颈
癌治疗敏感性模型预测疗效结果的 AUC 值仅为 0.7867,远低于本文采用的预测模型.

5 总 结

本文针对部分宫颈鳞癌患者对放化疗不敏感的问题,提出了基于随机森林算法的疗效预测模型.在该模型
中,为提高 MR 图像肿瘤区域的分割精度,采用了在小样本下分割性能较好的 U-net 模型.同时,为防止 U-net 模
型训练阶段出现梯度消失情况,在 U-net 模型中加入了残差学习.此外,为训练泛化能力较强的随机森林模型,实
验对提取的图像特征进行筛选,并调整了随机森林中决策树的数量以及训练最大特征数量.实验结果表明:本文
提出的预测模型在分割肿瘤区域敏感性达到 0.801,预测放化疗疗效的准确度达到 0.921.
本文未来工作包括:第一,开发基于不同权重类型图像的预测模型,包括 T1W1,DWI 等 MR 图像,综合运用多
种权重类型的图像可以得到更全面的诊断信息,进一步提高宫颈鳞癌放化疗疗效预测性能;第二,未来将收集更
多病例数,尤其是部分少见病理类型,进一步丰富实验数据集来训练预测模型,提升模型预测能力.