Sélection des caractéristiques radiomiques utilisant la perte de gradient d’un réseau de neurones profond pour la détection des stades du cancer du poumon

Summary

Voici une méthode de sélection de caractéristiques basée sur l’apprentissage profond qui exploite les gradients d’une fonction de perte d’un réseau de neurones par rapport aux caractéristiques d’entrée pour identifier et prioriser celles qui influencent le plus fortement la détection du stade du cancer du poumon.

Abstract

La radiomique permet d’extraire des biomarqueurs d’imagerie quantitative à partir d’images médicales et est devenue un outil important pour le diagnostic assisté par ordinateur du cancer. Cependant, les ensembles de données radiométriques sont généralement de haute dimension avec des tailles d’échantillon limitées, ce qui fait de la sélection des caractéristiques une étape cruciale pour construire des modèles prédictifs fiables. Cette étude propose un cadre d’élimination des caractéristiques récursives par perte de gradient (GL-RFE) qui intègre une analyse de sensibilité au gradient à partir d’un réseau neuronal profond afin d’identifier les caractéristiques radiomiques les plus influentes pour la détection des stades du cancer du poumon. Un total de 106 caractéristiques radiomiques ont été extraites à partir de scanners de tomodensitométrie thoracique utilisant l’extension PyRadiomics de la plateforme 3D Slicer. La méthode proposée évalue l’importance des caractéristiques en calculant les gradients de la perte réseau par rapport aux caractéristiques d’entrée et élimine récursivement les caractéristiques avec une contribution minimale. Les 15 principales caractéristiques radiomiques ainsi obtenues sont utilisées pour entraîner un classificateur de réseau neuronal profond afin de distinguer le cancer du poumon à un stade précoce du cancer du poumon avancé. Le cadre proposé obtient une solide performance de classification, avec une précision de 90,22 %, une précision de 90,10 %, une mémoire de 90,24 % et un score F1 de 90,16 % sur l’ensemble de données test. Les analyses de visualisation, incluant les cartes de chaleur de corrélation et les graphiques de distribution, confirment également une réduction de la redondance des caractéristiques et une meilleure séparabilité des classes. Comparé aux techniques conventionnelles de sélection de caractéristiques, GL-RFE capture efficacement les interactions non linéaires entre caractéristiques et améliore la généralisation du modèle. Le protocole présenté propose une méthodologie reproductible et interprétable pour la détection du stade du cancer basée sur la radiomique. Il est particulièrement adapté aux ensembles de données biomédicales de haute dimension et de petits échantillons et a des applications potentielles dans d’autres domaines, tels que la génomique et l’analyse clinique multimodale.

Introduction

Le cancer du poumon reste l’un des principaux types de cancer, entraînant de graves problèmes de santé, souvent en^décès. La radiomique permet la caractérisation quantitative des images médicales en extrayant de grands ensembles de caractéristiques décrivant la forme, la texture et l’intensité des^{tumeurs 2,3}. Ces caractéristiques, également appelées caractéristiques artisanales, servent de biomarqueurs potentiels pour le diagnostic, le pronostic et la réponse thérapeutique du cancer du poumon. Cependant, les ensembles de données radiomique sont généralem....

Protocol

1. Extraction des caractéristiques radiomiques à l’aide de l’extension pyradiomics 3D Slicer

REMARQUE : Les étapes suivantes sont conçues pour calculer les caractéristiques radiomiques d’un fichier DICOM CT pulmonaire en utilisant l’extension 3D Slicer PyRadiomics et pour les enregistrer dans un fichier au format de valeurs séparées par virgule (csv).

1. Installez et ouvrez 3D Slicer (utilisez la dernière version stable de https://download.slicer.org/.
2. Installez l’extension PyRadiomics et RT Slicer.
   1. Dans la barre de menu, allez dans Voir >

Results

Résumé du jeu de données
L’ensemble de données de radiomique du NSCLC comprend 422 volumes de CT de patients atteints de cancer du poumon de stade I, II et III. Alors que le nombre de jeux de données CT pour le cancer à un stade précoce (I, II) est de 134, les échantillons de données pour un cancer à un stade avancé (IIIa, IIIb) sont de 288. L’ensemble de données présentait un déséquilibre de classe significatif, avec un nombre plus élevé de cas de phase avancée (stad.......

Discussion

La robustesse et la fiabilité du cadre proposé sont évidentes grâce aux valeurs élevées des indicateurs d’évaluation, notamment la précision, la mémoire, la précision et le score^{F-1 24}. Tous les scores ont obtenu plus de 90 % de performance sur les données du test, avec un CV à 5 fois utilisé lors de la formation MLP.

Les performances et la validité du cadre GL-RFE proposé ont été renforcées par des techniques de visu.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Logiciel de trancheur 3D	Site officiel	5.x	Visualisation d’images médicales, segmentation et extraction de ROI pour l’analyse radiomique
Paquet d’apprentissage déséquilibré	PyPI	0.11+	Gestion du déséquilibre de classe (par exemple, SMOTE)
Matplotlib  ; Package	PyPI	3.x	Tracé des courbes d’entraînement et de l’importance des caractéristiques
Paquet NumPy	PyPI	1.26.x	Opérations numériques et gestion de la matrice de caractéristiques
Pandas Package	PyPI	2.x	Prétraitement des données et gestion structurée des ensembles de données
Paquet PyRadiomics	PyPI	3.x	Extraction des caractéristiques radiomiques à partir d’images CT
PyTorch  ; Package	PyPI	2.x	Cadre d’apprentissage profond pour le calcul MLP et gradient
Paquet Scikit-learn	PyPI	1.3.x	Évaluation du modèle (précision, précision, rappel, score F1)
SciPy  ; Package	PyPI	1.11+	Analyse statistique et validation
Seaborn  ; Package	PyPI	0.13.x	Cartes thermiques pour l’analyse de corrélation des caractéristiques
Torch.nn Module  ;	PyPI	2.x	Architecture des réseaux neuronaux (couches, activations)
Torch.optim Module	PyPI	2.x	Algorithmes d’optimisation (par exemple, Adam)