腎細胞癌與乏脂肪腎血管平滑肌脂肪瘤的鑒別分類模型：基于隨機投影的多分類器分層融合框架

腎血管平滑肌脂肪瘤（AML）可通過影像上肉眼可見的特征性瘤內脂肪獲得可靠和準確的診斷。然而，瘤內脂肪的含量是不規律的，甚至有時一些AML可能不含或幾乎不含脂肪，所謂非典型、乏脂肪AML或無可見脂肪AML（AMLwvf），在CT影像上表現跟惡性腎小腫塊即腎細胞癌（RCC）相近，易造成誤診和高假陽性率。有研究提出了有效用于識別腎臟腫塊內的脂肪或潛在脂肪含量的方法，提高基于CT圖像的AMLwvf的診斷性能，例如HU像素映射結合ROI密度測量、多維CT掃描負衰減像素計數、薄層（2～5 mm）成像、對比增強模式分析、形態學上以及增強特征的比較、直方圖分析。然而，上述方法大多計算量大且主觀性太強，難以產生滿意的鑒別分類效果。

放射組學的最新進展和成功應用促進了腫瘤陽性預測和分類準確性的提高，可利用從CT圖像的不同相位提取的放射組學特征構建分類模型來解決臨床問題。有研究人員試圖利用基于機器學習的CT紋理分析對AMLwvf與RCC進行鑒別分類，利用8個分類器算法聯合28個特征選擇算法共建224個AMLwvf與RCC鑒別分類模型得到了較好的預測效果。然而，該研究僅基于單一分類器算法對AMLwvf與RCC的鑒別分類進行了分析，而且我們發現不同分類器組合和特征選擇方法創建的模型之間的準確率存在明顯差異。此外，不同模態的臨床信息結合不同的分類器可能會產生更多可能的分類模型，通過遍歷所有可用模型的試錯方式不太可能接近真正的最優解決方案。雖然通過對如此龐大的分類器庫中的每個判別模型進行“窮舉比較”得到了令人滿意的實驗精度，但是目前仍需一種有效的分類器融合方法以確定一個合適模型的工作，實現統一的鑒別診斷方案。……