Dempster-Shafer theory based outcome prediction in cancer therapy
Résumé
As a vital task in cancer therapy, outcome prediction is the foundation for tailoring and adapting a treatment
planning. In this paper, we propose to use image features extracted from PET and clinical characteristics. Considering that
both information sources are imprecise or noisy, a novel prediction model based on Dempster-Shafer theory has been developed.
Firstly, a specific loss function with sparse regularization was designed for learning an adaptive dissimilarity metric between
feature vectors of labeled patients. Through minimizing this loss function, a linear low-dimensional transformation of the input
features is then achieved; meanwhile, thanks to the sparse penalty, the influence of imprecise input features can also be reduced
via feature selection. Finally, the learnt dissimilarity metric is used with the Evidential K-Nearest-Neighbor (EK-NN) classifier
to predict the outcome. We evaluated the proposed method on two clinical data sets concerning to lung and esophageal tumors,
showing good performance.
La prédiction de l’évolution d’un cancer permet d’adapter la planification d’un traitement thérapeutique, ce qui
rend le traitement plus efficace. Dans cet article, nous proposons d’utiliser les caractéristiques d’image extraites à partir des
images PET et des caractéristiques cliniques pour la prédiction. Compte tenu des imprécisions et des incertitudes dans les deux
sources d’information, une nouvelle méthode de prédiction basée sur la théorie des fonctions de croyance est proposée. Tout
d’abord, une fonction de perte avec une régularisation parcimonieuse est construite comme critère pour apprendre une métrique
de dissimilarité entre les vecteurs de caractéristiques des patients. Une réduction de dimension est ensuite effectuée. Grâce à
la contrainte parcimonieuse, l’influence des caractéristiques imprécises est réduite pour la prise de décision. Enfin, la métrique
apprise est intégrée dans le classificateur EK-NN (Evidential K-Nearest-Neighbor) pour effectuer la prédiction. La méthode
proposée a montré de bonne performance sur deux jeux de données relatives aux tumeurs du poumon et de l’œsophage.