Delta影像组学

开始探索之旅...

Delta组学模块分为横向/纵向、分类/回归四种模式，限制为3D数据。下图为delta组学的导航位置。

提示

上图为delta组学实验流程图，可以看出内部流程与常规影像组学流程基本相同，所以下面仅针对不同部分进行讲解。

横向分类:横向分类模块根据同一时间点的影像的多个区域进行分类任务。它使用的是同一时刻的影像数据（如治疗前的基线影像），通过分析该影像不同区域的影像特征（如脑梗区域及其对称的正常区域），来区分样本类别（如健康vs.患病，低风险vs.高风险等）。例如，用于区分患者的不同疾病状态，或预测某一时点的疾病风险等级。下图为delta横向分类中数据准备的要求，可以看出影像与标签的关系是一对多。

纵向分类:纵向分类模块则用于分析同一患者在不同时间点的影像数据，通过Delta组学特征来判断疾病状态的变化情况，从而进行分类。主要针对同一个体随时间推移的影像数据，识别其在不同时间点的类别变化。例如，识别患者在治疗前后是否有从低风险转为高风险的变化，或判定疾病是否进展到更严重的阶段。下图为delta纵向分类中数据准备的要求，可以看出影像与标签的关系是一对一。

横向回归：横向回归模块根据同一时间点的影像的多个区域进行回归任务。它通过分析影像特征与某些连续变量（如肿瘤大小、体积、血液标志物水平等）之间的关系，来预测这些变量的数值。例如，预测某一时点的肿瘤大小或生物标志物的浓度，帮助医生做出治疗决策。（数据要求与横向分类相同）

纵向回归：纵向回归模块用于分析同一患者在不同时间点的影像数据，预测这些影像特征的数值变化。通过对比不同时点的影像特征，估计或预测某些变量在时间上的变化趋势。例如，预测患者在治疗过程中肿瘤的缩小程度，或估计治疗后的生物标志物变化，评估治疗效果。（数据要求与纵向分类相同）

横向模块（分类和回归）：主要针对同一患者某一时刻影像数据的多个区域的差异，帮助进行静态的预测或分类。

纵向模块（分类和回归）：则关注同一患者在不同时点的动态变化，帮助监测和预测随时间推移的疾病进展或治疗反应。