[影像组学] 数据分组

hyc3140

当我们手上有了医学影像数据（以及特征值）和跟医学图像对应的临床结果（如良恶性，基因数据或预后等），我们就进入了影像组学研究中最主要的部分，即使用数据训练模型，并且检验模型的准确性。如果模型的预测准确性高于现有的诊断和评估手段，那么就表明此组学研究所找到的影像特征（或特征的组合）能够提供新的临床价值。


模型训练及检验的基本流程如上图所示，而数据的分组是将收集到的临床和影像数据集分为三组：训练数据，验证数据和测试数据。
影像组学研究是机器学习技术在医学影像数据上的应用，而机器学习的目的就是使得计算机能够模拟出人类“学习”的过程。那么这里就通过一个类比来解释这三组数据的意义：
假设你是一个补课老师，需要提升某个学生（模型）的考试成绩。那么在补课的时候，你会先用一组典型题目（特征值）和标准答案（临床结果）拿出来让学生练习，这个过程就是模型的训练，而这里用到的题目和标准答案就是训练数据。
但是练习完了，你并不知道学生是否真的掌握了相应的知识，所以需要一个随堂测验。当然作为一个负责任的老师，你肯定不能用刚才学生练习的题目来作为测验的考题，因为即使学生考了满分，也可能只是背下了标准答案。你要用一组学生完全没有见过的，但是覆盖了原有知识点的题目来检验。这个随堂测验就是模型验证，而使用的题目和答案就是验证数据。如果学生的随堂测验成绩没有拿到最高分，说明学生学习得不够，还有潜力可挖，那么就需要重新学习，然后再测验，如此循环，直到学生无法再提升测验成绩为止。（当然，每次循环时，你也不能用同样的训练数据和验证数据，需要用到交叉验证技术。我在后续的推文中会详细介绍，这里咱们先理解基本流程）
如果学生在随堂测验中拿到了最高分，就可以去参加真正的考试了。这个考试就是模型测试，而使用的数据就是测试数据。显然，这个考试的题目也不能跟原来练习和随堂测验的题目一样。这个考试的成绩最终反映学生（模型）掌握知识的程度。
一般而言，如果整体数据集没有明显的偏离（阳性和阴性的数据比例大致相同），训练数据、验证数据和测试数据的比例为6:2:2，即如果你收集了300组数据，则使用随机抽取的180组数据作为训练数据，60组作为验证数据，剩下的60组作为测试数据。但是如果收集的数据量非常大，训练数据的比例会上升，而验证和测试数据的比例会下降。
当然，我们在进行具体的影像组学研究时，并非像上述类比中看起来的那么简单。进行机器学习的核心内容之一就是对各个机器学习模型（包括分类模型和回归模型）的理解、使用和调制。在接下来的推文中，我会逐个简要介绍常用的模型，敬请期待。