Ultra-high dimensional confounder selection algorithms comparison with application to radiomics data
超高维混杂变量选择算法比较及影像组学应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以因果推断中的混杂变量选择为目标，比较超高维调整变量筛选方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
超高维混杂变量选择算法比较及影像组学应用
- 研究问题
- 面对超高维影像组学特征，如何筛选用于因果推断的调整变量，并比较不同筛选策略在模拟和癌症影像数据中的表现？
- 方法与思路
- 作者以确定独立筛选扩展 OAL 和 GOAL，形成 SIS＋OAL 与 SIS＋GOAL，再与因果球筛选 CBS 在模拟及两个影像数据集中比较。
- 材料陈述的贡献
- 摘要称模拟及骨肉瘤、胶质肉瘤两项应用均将 SIS＋GOAL 评为所比较算法中的最优选择，但未列出评价指标与具体差异。
- 阅读关注点
- 应核对因果目标、混杂与纯预后变量的设定、初步筛选是否遗漏关键混杂，以及算法选择依据是偏差、均方误差还是覆盖率。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未说明识别条件和比较细节，所称最优仅能理解为其研究场景内的结论。
原文摘要
Radiomics is an emerging area of medical imaging data analysis particularly for cancer. It involves the conversion of digital medical images into mineable ultra-high dimensional data. Machine learning algorithms are widely used in radiomics data analysis to develop powerful decision support model to improve precision in diagnosis, assessment of prognosis and prediction of therapy response. However, machine learning algorithms for causal inference have not been previously employed in radiomics analysis. In this paper, we evaluate the value of machine learning algorithms for causal inference in radiomics. We select three recent competitive variable selection algorithms for causal inference: outcome-adaptive lasso (OAL), generalized outcome-adaptive lasso (GOAL) and causal ball screening (CBS). We used a sure independence screening procedure to propose an extension of GOAL and OAL for ultra-high dimensional data, SIS + GOAL and SIS + OAL. We compared SIS + GOAL, SIS + OAL and CBS using simulation study and two radiomics datasets in cancer, osteosarcoma and gliosarcoma. The two radiomics studies and the simulation study identified SIS + GOAL as the optimal variable selection algorithm.