Objectives

• 介紹了規則集表 (RST) 作為介面，將臨床醫生的輸入納入核醫學中 AI 模型的數據預處理 (DP)。
• 評估 RST 對三種不同癌症群體（神經膠質瘤、前列腺癌和瀰漫性大 B 細胞淋巴瘤 (DLBCL)）中機器學習 (ML) 模型預測性能的影響。
• 證明 RST 與手動 DP 結合使用時，與沒有 RST 的模型相比，ML 模型的平衡準確度 (BACC) 提高了高達 18%。

Methodology

• 實作規則集表 (RST)，將臨床醫師的輸入（exp-keep、exp-remove、pref-keep、pref-remove）轉換為 DP 演算法可讀取的指令。
• 納入了常用演算法，用於單中心和多中心情境下的臨床數據的 DP。
• 對單中心隊列使用 100 倍 Monte Carlo 交叉驗證方案，對 DLBCL 隊列使用雙中心設置。
• 在所有已建立的模型中採用 XGBoost 演算法進行分類任務。
• 比較了 RST 在所有操作中的性能，以及在每個隊列的手動和自動（ML-driven data preparation, MLDP）設置中沒有 RST 的情況。

Results

• 與沒有 RST 的模型相比，結合 RST 的手動預處理的 ML 模型，其性能提高了高達 18% 的 BACC。
• 具有 "exp-keep" 和 "pref-keep" 指令的 ML 模型顯示出最高的性能提升：與所有數據集中的其他模型相比，BACC 分別增加了 +18%（神經膠質瘤）、+6%（前列腺癌）和 +3% (DLBCL)。
• 表 3 提供了不同情境下的特定 BACC 值，補充表 S3 提供了 p 值和信賴區間。

Discussions

• 該研究提出了一種將臨床領域知識納入 DP 過程的新方法 (RST)，這是一個重大貢獻。 然而，驗證依賴於先前確定的高排名特徵，限制了對 RST 發現新的相關特徵之能力的評估。
• 該研究可以從更詳細地解釋 "pref-keep" 和 "pref-remove" 操作如何在 DP 演算法中進行加權和優先排序中受益。 補充表 S1 中的標準相對籠統。
• 雖然該研究比較了手動 DP 和 MLDP，但研究 RST 與 MLDP 以外的其他自動 DP 方法的性能將很有價值。
• 該研究的回顧性本質，使用預先確定的特徵，被認為是一個限制。 一項涉及臨床醫生通過 RST 積極提供輸入的前瞻性研究將加強研究結果。

---

Reference: Clinician driven automated data preprocessing in nuclear medicine AI environments