Auswahl radiomischer Merkmale unter Verwendung des Gradientenverlusts eines tiefen neuronalen Netzwerks zur Entdeckung von Lungenkrebsstadium

Summary

Hier wird eine auf Deep-Learning-Basis basierende Merkmalsauswahlmethode präsentiert, die Gradienten einer neuronalen Netzverlustfunktion in Bezug auf Eingabemerkmale nutzt, um diejenigen zu identifizieren und zu priorisieren, die die Erkennung des Lungenkrebsstadiums am stärksten beeinflussen.

Abstract

Radiomik ermöglicht die Extraktion quantitativer Bildgebungsbiomarker aus medizinischen Bildern und ist zu einem wichtigen Werkzeug für computergestützte Krebsdiagnostik geworden. Radiomik-Datensätze sind jedoch typischerweise hochdimensional mit begrenzten Stichprobengrößen, weshalb die Auswahl von Merkmalen ein entscheidender Schritt für den Aufbau zuverlässiger prädiktiver Modelle ist. Diese Studie schlägt ein Gradient-Loss Rekursives Merkmalselimination (GL-RFE)-Framework vor, das die Analyse der Gradientensensitivität aus einem tiefen neuronalen Netzwerk integriert, um die einflussreichsten radiomischen Merkmale für die Erkennung des Lungenkrebsstadiums zu identifizieren. Insgesamt wurden 106 radiomische Merkmale aus der Thorax-Computertomographie (CT) extrahiert, wobei die PyRadiomics-Erweiterung der 3D-Slicer-Plattform verwendet wurde. Die vorgeschlagene Methode bewertet die Merkmalswichtigkeit, indem sie Gradienten des Netzwerkverlusts in Bezug auf Eingabemerkmale berechnet und rekursiv Merkmale mit minimalem Beitrag eliminiert. Die resultierenden Top 15 radiomischen Merkmale werden verwendet, um einen tiefen neuronalen Netzwerk-Klassifikator zur Unterscheidung von Lungenkrebs im Frühstadium und im fortgeschrittenen Stadium zu trainieren. Der vorgeschlagene Rahmen erzielt eine starke Klassifikationsleistung mit einer Genauigkeit von 90,22 %, einer Genauigkeit von 90,10 %, einem Abruf von 90,24 % und einem F1-Wert von 90,16 % im Testdatensatz. Visualisierungsanalysen, einschließlich Korrelations-Wärmekarten und Verteilungsdiagrammen, bestätigen zudem eine reduzierte Merkmalredundanz und eine verbesserte Klassentrennbarkeit. Im Vergleich zu herkömmlichen Merkmalsauswahltechniken erfasst GL-RFE nichtlineare Merkmalsinteraktionen effektiv und verbessert die Modellverallgemeinerung. Das vorgestellte Protokoll bietet eine reproduzierbare und interpretierbare Methodik für die radiomisch-basierte Krebsstadienerkennung. Es eignet sich besonders für hochdimensionale, kleine Stichproben biomedizinische Datensätze und hat potenzielle Anwendungen in anderen Bereichen wie Genomik und multimodaler klinischer Analyse.

Introduction

Lungenkrebs bleibt eine der Hauptkrebsarten und führt zu ernsthaften Gesundheitsproblemen, die oft zum Tod führen¹. Radiomik ermöglicht die quantitative Charakterisierung medizinischer Bilder, indem große Merkmale extrahiert werden, die Tumorform, Textur und Intensitätsmuster beschreiben ^2,3. Diese Merkmale, auch handgefertigte Merkmale genannt, dienen als potenzielle Biomarker für Diagnose, Prognose und Behandlungsreaktion bei Lungenkrebs. Radiomikrofon-Datensätze sind jedoch typischerweise hochdimensional und stichprobenbegrenzt, was zu redundanten un....

Protocol

1. Extraktion von radiomischen Funktionen mit der 3D Slicer PyRadiomics-Erweiterung

HINWEIS: Die folgenden Schritte dienen dazu, radiomische Merkmale einer Lungen-CT-DICOM-Datei mit der 3D-Slicer-PyRadiomics-Erweiterung zu berechnen und in einer Datei im Komma-getrennten Wert (CSV)-Format zu speichern.

1. Installiere und öffne den 3D-Slicer (verwende die neueste stabile Version von https://download.slicer.org/).
2. Installiere die PyRadiomics-Erweiterung und den RT-Slicer.
   1. In der Menüleiste gehen Sie zum Anzeigen > Erweiterungs-Manager

Results

Datensatzübersicht
Der NSCLC Radiomics-Datensatz umfasst 422 CT-Bände von Patienten mit Lungenkrebs im Stadium I, II und III. Während die Anzahl der CT-Datensätze mit Krebs im Frühstadium (I, II) 134 beträgt, liegen die Datenstichproben bei fortgeschrittenem Krebs (IIIa, IIIb) bei 288. Der Datensatz zeigte ein signifikantes Klassenungleichgewicht, mit einer höheren Anzahl fortgeschrittener Fälle (Stadium III) im Vergleich zu frühen Phasen (Stadium I und Stadium II). U.......

Discussion

Die Robustheit und Zuverlässigkeit des vorgeschlagenen Rahmens zeigen sich an den hohen Werten der Bewertungskennzahlen, darunter Genauigkeit, Rückruf, Präzision und F-1-Score²⁴. Alle Ergebnisse erzielten auf den Testdaten eine Leistung von über 90 %, wobei während der MLP-Ausbildung ein fünffacher Lebenslauf verwendet wurde.

Die Leistung und Validität des vorgeschlagenen GL-RFE-Frameworks wurden durch Visualisierungs.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
3D-Slicer-Software	Offizielle Website	5.x	Medizinische Bildvisualisierung, Segmentierung und ROI-Extraktion für die Analyse von Radiomik
Imbalanced-Learn-Paket	PyPI	0.11+	Umgang mit Klassenungleichgewicht (z. B. SMOTE)
Matplotlib  Paket	PyPI	3.x	Darstellung von Trainingskurven und Merkmalsbedeutung
NumPy-Paket	PyPI	1.26.x	Numerische Operationen und Handhabung von Merkmalsmatrixen
Pandas-Paket	PyPI	2.x	Datenvorverarbeitung und Verwaltung strukturierter Datensätze
PyRadiomics-Paket	PyPI	3.x	Extraktion radiomischer Merkmale aus CT-Bildern
PyTorch  Paket	PyPI	2.x	Deep-Learning-Framework für MLP und Gradientenberechnung
Scikit-learn-Paket	PyPI	1.3.x	Modellbewertung (Genauigkeit, Präzision, Abruf, F1-Score)
SciPy  Paket	PyPI	1.11+	Statistische Analyse und Validierung
Seaborn  Paket	PyPI	0.13.x	Heatmaps für die Analyse der Merkmalskorrelation
Torch.nn Modul	PyPI	2.x	Neuronale Netzwerkarchitektur (Schichten, Aktivierungen)
Torch.optimis-Modul	PyPI	2.x	Optimierungsalgorithmen (z. B. Adam)