Selección de características radiómicas utilizando la pérdida por gradiente de una red neuronal profunda para la detección en estadio de cáncer de pulmón

Summary

Aquí se presenta un método de selección de características basado en aprendizaje profundo que aprovecha los gradientes de una función de pérdida de red neuronal respecto a las características de entrada para identificar y priorizar aquellas que más influyen en la detección en estadio del cáncer de pulmón.

Abstract

La radiómica permite la extracción de biomarcadores de imagen cuantitativa a partir de imágenes médicas y se ha convertido en una herramienta importante para el diagnóstico asistido por ordenador del cáncer. Sin embargo, los conjuntos de datos de radiómica suelen ser de alta dimensión con tamaños de muestra limitados, por lo que la selección de características es un paso crítico para construir modelos predictivos fiables. Este estudio propone un marco de eliminación de características recursivas por pérdida de gradiente (GL-RFE) que integra el análisis de sensibilidad al gradiente de una red neuronal profunda para identificar las características radiómicas más influyentes en la detección de estadios de cáncer de pulmón. Se extrajeron un total de 106 características radiómicas de tomografías computarizadas torácicas (TC) utilizando la extensión PyRadiomics de la plataforma 3D Slicer. El método propuesto evalúa la importancia de las características calculando gradientes de la pérdida de la red respecto a las características de entrada y elimina recursivamente las características con una contribución mínima. Las 15 mejores características radiómicas resultantes se utilizan para entrenar un clasificador de redes neuronales profundas que distinguan cáncer de pulmón en fase temprana y avanzado. El marco propuesto logra un sólido rendimiento en la clasificación, con una precisión del 90,22%, precisión del 90,10%, recuerdo del 90,24% y una puntuación F1 del 90,16% en el conjunto de datos de prueba. Los análisis de visualización, incluyendo mapas de calor de correlación y gráficos de distribución, confirman además una redundancia de características reducida y una mejor separabilidad por clases. En comparación con las técnicas convencionales de selección de características, GL-RFE captura eficazmente interacciones no lineales de características y mejora la generalización del modelo. El protocolo presentado proporciona una metodología reproducible e interpretable para la detección de estadios del cáncer basada en radiología. Es especialmente adecuado para conjuntos de datos biomédicos de alta dimensión y muestras pequeñas, y tiene aplicaciones potenciales en otros ámbitos, como la genómica y el análisis clínico multimodal.

Introduction

El cáncer de pulmón sigue siendo uno de los principales tipos de cáncer, lo que provoca graves problemas de salud, a menudo conduciendo a la muerte¹. La radiómica permite la caracterización cuantitativa de imágenes médicas extrayendo grandes conjuntos de características que describen la forma, textura e intensidad del tumor ^2,3. Estas características, también denominadas características artesanales, sirven como posibles biomarcadores para el diagnóstico, el pronóstico y la respuesta al tratamiento del cáncer de pulmón. Sin embargo, los conjuntos de datos de radiología suelen ser de alta dimensión y limitados por muestras, lo que conduce a características redundantes y ruidosas que degradan el rendimiento del^modelo 4,5,6,7. Por tanto, una selección eficiente y explicable de características es crucial para desarrollar modelos predictivos robustos basados en radiología.

Los enfoques tradicionales de selección de características, como los métodos de filtrado (por ejemplo, análisis de correlación, análisis de varianza [ANOVA], información mutua) y métodos de envoltura (por ejemplo, selección secuencial de características, eliminación recursiva de características) se utilizan ampliamente para modelos de detección de cáncer basados en ^{radiología 4,8,9}. Sin embargo, a menudo no logran captar interacciones de características no lineales y dependencias contextuales profundas inherentes a los datos de^{radiómica 9,10,11}. Se han explorado técnicas de aprendizaje de características en conjunto para la clasificación de imágenes médicas, pero han alcanzado una precisión moderada, que podría mejorarse^{aún más 12}.

Los métodos de aprendizaje profundo, especialmente las redes neuronales profundas (DNN), han demostrado una capacidad superior para modelar relaciones no lineales y jerárquicas entre características y resultados, lo que los hace ideales para guiar la selección de características y proporcionar modelos precisos de detección^{de cáncer 13,14}. En este contexto, se explora el potencial de usar una red neuronal convolucional, técnicas de IA multimodal y VCG-16, un modelo preentrenado para el diagnóstico del cáncer^{, 1,15,16}. Se propuso, entrenó y probó un modelo híbrido de aprendizaje^{profundo 17}, que incluye el modelo preentrenado VGG-19 y redes de memoria a corto plazo (LSTM), en un gran número de imágenes, logrando una precisión superior al 99%.

Además de la detección del cáncer, también se ha realizado investigación sobre la estadificación del cáncer. Hugo et ^al.18 diseñaron un modelo de red neuronal feed-forward en la base de datos NSCLC de 300 pacientes para clasificar el cáncer en estadios I, II y III con una precisión del 74,52% en las pruebas del modelo. Se presentó un método de inversión^{bayesiana 3} basado en radiografía para la detección en estadio de cáncer de pulmón utilizando el conjunto de datos NLST sobre un tamaño de muestra de 200. El método propuesto alcanzó una precisión del 86%. La revisión bibliográfica ha revelado que la mayoría de los estudios sobre la detección del cáncer se han centrado únicamente en clasificar tumores benignos y malignos, y solo unos pocos han abordado la clasificación en estadio canceroso, con una precisión inferior al 90% que puede mejorarse aún más. Este artículo de investigación aborda la brecha de investigación mencionada y propone un marco robusto de clasificación basada en características radiómicas para una detección precisa en la fase del cáncer de pulmón.

En este estudio se ha introducido un marco de eliminación de características recursivas basado en pérdida de gradiente (GL-RFE), integrando la retropropagación de gradientes desde redes neuronales en el proceso RFE. A diferencia de los métodos convencionales de RFE que se basan en métricas estáticas de importancia de características, GL-RFE aprovecha los gradientes de la función de pérdida respecto a cada característica de entrada para medir cuán fuerte influye cada característica en las predicciones del modelo. Al eliminar iterativamente características con contribuciones mínimas al gradiente, el modelo presentado realiza la selección de características de las 15 principales características diagnósticas optimizadas para la detección en estadio de cáncer de pulmón en 2 clases (etapas I y II combinadas y etapas IIIa y IIIb combinadas). El diagrama de flujo de trabajo realizado se muestra en la Figura 1. El conjunto de datos de cáncer de pulmón elegido para el modelo presentado es NSCLC Radiomics¹⁹, que cuenta con 411 volúmenes de formato denominados imagen digital y comunicaciones en medicina (DICOM) con información clínica en estadios del cáncer. Se extraen un total de 106 características de radiómica 3D de cada volumen DICOM para cáncer de pulmón utilizando PyRadiomics²⁰, una extensión de un software de código abierto, 3D Slicer²¹. Estas características pertenecen a siete clases^{de rasgos: 22}, incluyendo forma, método de diferencia de niveles de grises (GLDM), matriz de coocurrencia de nivel de grises (GLCM), primer orden, matriz de longitud de recorrido de nivel gris (GLRLM), matriz de zonas de tamaño de nivel gris (GLSZM), matriz de diferencia de tonos de grises vecindario (NGTDM). Los datos de radiómica de la clase minoritaria (etapa I y etapa II) fueron sobremuestreados utilizando la técnica sintética de sobremuestreo de minorías (SMOTE⁾²³.

La novedad del marco propuesto GL-RFE radica en integrar el análisis de sensibilidad basado en gradientes derivado del entrenamiento de redes neuronales en el proceso de eliminación de características recursivas. A diferencia de los enfoques convencionales de RFE que se basan en medidas de importancia estáticas, GL-RFE evalúa dinámicamente la relevancia de características mediante gradientes retropropagados de la función de pérdida. Esto permite identificar características que influyen directamente en las predicciones del modelo para la etapa del cáncer, manteniendo la interpretabilidad y la viabilidad computacional para conjuntos de datos médicos relativamente pequeños.

El conjunto de datos empleado para el entrenamiento y la prueba del marco propuesto es un conjunto de datos de imágenes de TC disponible públicamente con 422 pacientes con cáncer de pulmón, conocido como NSCLC Radiomics¹⁷. Para cada paciente, el conjunto de datos incluye un volumen de TAC y un conjunto de estructuras de radioterapia DICOM (RTSTRUCT) y un archivo de segmentación DICOM (SEG). Estos archivos contienen delimitaciones manuales realizadas por un oncólogo radioterápico del volumen tridimensional del volumen macroscopo primario del tumor (GTV-1), así como de la imagen pulmonar. El conjunto de datos es un conjunto preprocesado, y las dimensiones de las imágenes son 512 x 512 píxeles.

Debido a la naturaleza no lineal de las características radiómicas hechas a mano, estas características no pueden usarse directamente con modelos de aprendizaje profundo para el diagnóstico del cáncer, y sus patrones de datos inherentes deben capturarse mediante técnicas de IA. GL-RFE clasifica las características en función de la magnitud del gradiente de pérdida del modelo L respecto a cada característica de entrada x_i.

Para cada característica de entrada x_i, el gradiente absoluto medio se calcula de la siguiente manera:

(1)

Aquí, N es el número total de muestras. L_j es la pérdida para la j^muestra ésima de la muestra. x_IJ es la ^i-ésima característica de la j^ésima muestra. representa la sensibilidad de la pérdida respecto a la característica de entrada.

Las características con magnitudes de gradiente bajo tienen un impacto mínimo en las actualizaciones del modelo y se eliminan recursivamente. El flujo de trabajo propuesto para eliminar las características radiómicas de bajo gradiente utilizando un perceptrón multicapa (MLP) y entrenar una red neuronal de aprendizaje profundo (DNN) sobre las 15 características principales se muestra en la Figura 1. A continuación, se evalúa el rendimiento del método GL-RFE para la selección de características.

El modelo de aprendizaje profundo mencionado con el método GL–RFE está implementado en un Jupyter notebook en Google Colab, que permite escribir y ejecutar código Python en un entorno online. Es necesario descargar diferentes paquetes, incluidos en los pasos del protocolo y en los materiales, para compilar el código. Utilizando el método descrito en la sección de Protocolos, se identifican las 15 principales características radiómicas para la detección del cáncer de pulmón y se utilizan para lograr una detección precisa del cáncer en conjuntos de datos de prueba.

Protocol

1. Extracción de características radiómicas usando extensión 3D Slicer PyRadiomics

NOTA: Los siguientes pasos están diseñados para calcular las características radiómicas de un archivo DICOM de tomografía computarizada pulmonar utilizando la extensión 3D Slicer PyRadiomics y para guardarlos en un archivo de formato de valor separado por coma (csv).

1. Instala y abre 3D Slicer (usa la última versión estable de https://download.slicer.org/.
2. Instala la extensión PyRadiomics y RT Slicer.
   1. En la barra de menú, ve a Ver > Administrador de extensiones. Luego, busca Radiomics o SlicerRadiomics y RT Slicer.
   2. Haz clic en Instalar para instalar las bibliotecas RT Slicer y PyRadiomics. Reinicia el 3D Slicer después de instalarlo.
3. Descarga NSCLC RADIOMICS.
   1. Descarga los conjuntos de datos DICOM de tomografía computarizada pulmonar junto con los archivos SEG y RTSTRUCT de 422 pacientes de https://www.cancerimagingarchive.net/collection/nsclc-radiomics/
4. Cargar los datos DICOM del tom computarizado pulmonar.
   1. Ve al módulo DICOM. Haz clic en Importar y selecciona la carpeta que contiene las secciones de DICOM CT y su archivo SEG en la modalidad RTSTRUCT.
   2. Después de importar, haz doble clic en el paciente/estudio/serie para cargarlo en la escena de Slicer. El volumen 3D CT debería ser visible en el panel de visor, como se muestra en la Figura 2.
5. Comprueba la alineación de la geometría.
   1. En el módulo de Datos , amplía tanto el volumen CT como la segmentación. Asegúrate de que la segmentación esté exactamente sobre la TC (sin desalineación).
6. Abre el módulo de Radiología .
   1. Selecciona el módulo de Radiómica de la sección de módulos (o búscalo en la barra de búsqueda de módulos). En el volumen de imagen de entrada, selecciona el volumen de TC deseado.
   2. En Etiqueta de entrada/Segmentación, selecciona el nodo de segmentación (el ROI).
7. Ajusta los parámetros de personalización de extracción.
   1. Establece Espaciado de píxeles remuestreados = [1,1,1] (asegura vóxeles isotrópicos) y ancho de bin = 25 (estándar para CT). Establecer tamaño del núcleo de LoG = 2.0, 3.0, 4.0, 5.0.
8. Ejecuta la extracción de características.
   1. Haz clic en Aplicar. El software ahora calculará características 3D de primer orden, forma y textura (GLCM, GLRLM, GLSZM, GLDM y NGTDM). Mostrar la tabla para verificar las tablas calculadas tal y como se muestra en la Figura 3. Saca un archivo csv con todas las características extraídas.
   2. Repite el proceso anterior para todos los volúmenes DICOM descargados del conjunto de datos NSCLC RADIOMICS y guárdalo como un solo archivo "radiomics.csv".

2. Desarrollo de un modelo de detección de cáncer basado en radiología utilizando bibliotecas en Python

NOTA: Se resumen los siguientes pasos para que un usuario pueda desarrollar, entrenar y probar un modelo de detección de cáncer utilizando bibliotecas Python con características radiómicas de conjuntos de datos CT.

1. Formatea el conjunto de datos de radiología guardado en formato csv de modo que cada fila represente un paciente/muestra, y cada columna represente una característica. Incluye una columna de etiquetas para las etiquetas de clase.
2. Abre un nuevo cuaderno Jupyter en el entorno Colab y comienza a escribir código declarando las definiciones de funciones y funciones Python integradas a continuación en el paso 2.3.
3. Da la orden para instalar Pytorch, torchvision, scikit-learn, numpy, pandas matplotlib e imbalanced-learn encima del cuaderno Jupyter.
4. Escribe una función files.upload() para tomar un archivo csv de entrada del usuario y almacenarlo en x e y variables.
5. Normaliza los datos almacenados usando el escalador de funciones = StandardScaler() y scaler.fit_transform().
6. Defina una función de perceptrón multicapa MLP(nn. Módulo()) con capas ocultas configurables.
7. Define una función de entrenamiento def train_epoch() para calcular la pérdida de retropropagación del modelo MLP con entradas.
8. Durante varias épocas, se define una función def compute_input_gradients() para calcular los gradientes medios de la pérdida respecto a las características de entrada y eliminar iterativamente la característica con el gradiente más bajo, es decir, con menor importancia, hasta que queden 15 características.
9. Divide los datos en la proporción del 80% y 20% usando la función train_test_split() con 15 características seleccionadas. Aplica una validación cruzada de 5 veces usando StratifiedKFold(n_splits=5) sobre los datos de entrenamiento para asegurar la robustez.
10. Crear una gran red neuronal MLP final_model = DNN().
11. Evalúa el rendimiento del modelo entrenado utilizando datos de prueba con las siguientes funciones: def plot_confusion_matrix(), accuracy_score(), precision_score(), recall_score(), f1_score(), mapa de calor().

3. Ejecutar el cuaderno Jupyter para construir y probar el modelo

1. Ejecuta el código en Python en un cuaderno Jupyter. Se recibe una solicitud para subir el archivo csv de radiomics, como se muestra en la Figura 4.
2. Sube el radiomics.csv.
3. Guarda los resultados de clasificación y los gráficos generados.

Results

Resumen del conjunto de datos
El conjunto de datos de Radiómica del NSCLC comprende 422 volúmenes de TC de pacientes con cáncer de pulmón en estadios I, II y III. Mientras que el número de conjuntos de datos de TC con cáncer en estadio temprano (I, II) es de 134, las muestras de datos con cáncer en estadio avanzado (IIIa, IIIb) son 288. El conjunto de datos mostró un desequilibrio significativo de clases, con un mayor número de casos en fase avanzada (etapa III) en co...

Discussion

La robustez y fiabilidad del marco propuesto se evidencian en los altos valores de las métricas de evaluación, incluyendo precisión, recuerdo, precisión y puntuación^{F-1 24}. Todas las puntuaciones obtuvieron un rendimiento superior al 90% en los datos de la prueba, con un CV de 5 veces empleado durante el entrenamiento MLP.

El rendimiento y la validez del marco propuesto GL-RFE se reforzaron mediante técnicas de visual...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Software de Slicer 3D	Página web oficial	5.x	Visualización de imágenes médicas, segmentación y extracción de retorno de inversión para análisis radiómico
Paquete de aprendizaje desequilibrado	PyPI	0.11+	Desequilibrio de clases en el manejo (por ejemplo, SMOTE)
Matplotlib  Paquete	PyPI	3.x	Trazando curvas de entrenamiento e importancia de las características
Paquete NumPy	PyPI	1.26.x	Operaciones numéricas y gestión de matrices de características
Paquete Pandas	PyPI	2.x	Preprocesamiento de datos y gestión estructurada de conjuntos de datos
Paquete de PyRadiomics	PyPI	3.x	Extracción de características radiómicas a partir de imágenes CT
PyTorch  Paquete	PyPI	2.x	Marco de aprendizaje profundo para MLP y cálculo de gradientes
Paquete Scikit-learn	PyPI	1.3.x	Evaluación del modelo (precisión, exactitud, recuerdo, puntuación F1)
SciPy  Paquete	PyPI	1.11+	Análisis estadístico y validación
Seaborn  Paquete	PyPI	0.13.x	Mapas de calor para análisis de correlación de características
Torch.nn Module	PyPI	2.x	Arquitectura de redes neuronales (capas, activaciones)
Módulo Torch.optim	PyPI	2.x	Algoritmos de optimización (por ejemplo, Adam)