בחירת תכונות רדיומיות באמצעות אובדן גרדיאנט של רשת עצבית עמוקה לגילוי שלב סרטן הריאות

Summary

כאן מוצגת שיטת בחירת תכונות מבוססת למידה עמוקה, המנצלת גרדיאנטים של פונקציית אובדן רשת עצבית ביחס לתכונות קלט, כדי לזהות ולתעדף את אלו שמשפיעות הכי חזק על גילוי שלב סרטן הריאות.

Abstract

הרדיומיקס מאפשר חילוץ של סמנים ביולוגיים של דימות כמותי מתמונות רפואיות והפך לכלי חשוב לאבחון סרטן בעזרת מחשב. עם זאת, מערכי הנתונים ברדיומיקה הם בדרך כלל בעלי ממדים גבוהים עם גודל מדגם מוגבל, מה שהופך את בחירת התכונות לשלב קריטי לבניית מודלים חיזויים אמינים. מחקר זה מציע מסגרת הסרת תכונות רקורסיבית באובדן גרדיאנט (GL-RFE) המשלבת ניתוח רגישות גרדיאנט מרשת עצבית עמוקה כדי לזהות את התכונות הרדיומיות המשפיעות ביותר לגילוי שלב סרטן הריאות. בסך הכול הופקו 106 תכונות רדיומיות מסריקות CT (טומוגרפיה ממוחשבת של החזה) באמצעות הרחבת PyRadiomics של פלטפורמת 3D Slicer. השיטה המוצעת מעריכה את חשיבות התכונה על ידי חישוב גרדיאנטים של אובדן הרשת ביחס לתכונות קלט ומבטלת באופן רקורסיבי תכונות עם תרומה מינימלית. 15 התכונות הרדיומיות המובילות משמשות לאימון מסווג רשת עצבית עמוקה להבחנה בין סרטן ריאות בשלבים מוקדמים למתקדמים. המסגרת המוצעת משיגה ביצועי סיווג חזקים, עם דיוק של 90.22%, דיוק של 90.10%, זיכרון של 90.24%, וציון F1 של 90.16% במאגר הנתונים של הבדיקה. ניתוחי ויזואליזציה, כולל מפות חום של קורלציה וגרפים של התפלגות, מאשרים עוד יותר הפחתת כפילויות תכונות ושיפור בהפרדת המחלקות. בהשוואה לטכניקות בחירת תכונות קונבנציונליות, GL-RFE לוכד ביעילות אינטראקציות לא ליניאריות בין תכונות ומגביר הכללת המודל. הפרוטוקול המוצג מספק מתודולוגיה ניתנת לשחזור ופרשנות לגילוי שלב סרטן מבוסס רדיומיקה. היא מתאימה במיוחד למאגרי נתונים ביו-רפואיים בעלי ממד גבוה ומדגמים קטנים, ויש לה יישומים פוטנציאליים בתחומים נוספים, כגון גנומיקה וניתוח קליני רב-מודלי.

Introduction

סרטן הריאות נשאר אחד מסוגי הסרטן העיקריים, מה שמוביל לבעיות בריאותיות חמורות, לעיתים קרובות למוות¹. רדיומיקה מאפשרת אפיון כמותי של תמונות רפואיות על ידי הפקת קבוצות גדולות של תכונות המתארות את צורת הגידול, מרקם ודפוסי עוצמה ^2,3. תכונות אלו, המכונות גם תכונות בעבודת יד, משמשות כסמנים ביולוגיים פוטנציאליים לאבחון, פרוגנוזה ותגובה לטיפול בסרטן הריאות. עם זאת, מערכי הנתונים של רדיומיקה הם בדרך כלל בעלי ממדים גבוהים ומוגבלים לדגימות, מה שמוביל לתכונות מיותרות ורועשות שפוגעות בביצועי המודל 4,5,6,7.

Protocol

1. חילוץ תכונות רדיומיות באמצעות הרחבת 3D Slicer PyRadiomics

הערה: השלבים הבאים נועדו לחשב תכונות רדיומיות של קובץ DICOM ריאות CT באמצעות סיומת 3D Slicer PyRadiomics ולשמור בקובץ בפורמט ערך מופרד פסיקים (csv).

1. התקן ופתח את 3D Slicer (השתמש בגרסה היציבה האחרונה של https://download.slicer.org/.
2. התקן את ההרחבה של PyRadiomics ואת RT Slicer.
   1. בשורת התפריט, עבור ל-View > Extensions Manager. לאחר מכן, חפש Radiomics או SlicerRadiomics ו-RT Slicer.
   2. לחץ על התקנה כדי להתקין א....

Results

סיכום מערך הנתונים
מאגר הנתונים של NSCLC Radiomics כולל 422 נפחי CT של חולי סרטן ריאות בשלבים I, II ו-III. בעוד שמספר מערכי הנתונים של CT עם סרטן בשלבים מוקדמים (I, II) הוא 134, דגימות הנתונים עם סרטן בשלב מתקדם (IIIa, IIIb) הן 288. מערך הנתונים הראה חוסר איזון משמעותי בין מחלקות, עם מספר גבוה יותר של מקרים בשלב מתקדם (שלב III) בהשוואה למקרים בשלבים מוקדמים (שלב I ו-II). כדי להתמודד עם חוסר האיזון הזה, יושמה דגימת יתר על תכונות הרדיומיות שהופקו כדי להגדיל את הייצוג של.......

Discussion

החוסן והאמינות של המסגרת המוצעת ניכרים מהערכים הגבוהים של מדדי ההערכה, כולל דיוק, זיכרון, דיוק וציון^{F-1 24}. כל הציונים השיגו מעל 90% מהביצועים בנתוני המבחן עם קורות חיים חמישה שכליים שהופעלה במהלך ההכשרה ב-MLP.

הביצועים והתקפות של מסגרת GL-RFE המוצעת נתמכו עוד יותר באמצעות טכניקות ויזואליזציה. מפות חום מתאם²⁵ באיור 7 מראות כי תכונות הרדיומיות שהופקו בתחילה מציגות י.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
תוכנת חותכת תלת-ממד	האתר הרשמי	5.x	ויזואליזציה של תמונות רפואיות, סגמנטציה והוצאת תשואה על ההשקעה לניתוח רדיומיקה
חבילת למידה לא מאוזנת	PyPI	0.11+	התמודדות עם חוסר איזון במחלקות (למשל, SMOTE)
Matplotlib  חבילה	PyPI	3.x	שרטוט עקומות אימון וחשיבות תכונות
חבילת NumPy	PyPI	1.26.x	פעולות נומריות וטיפול במטריצות תכונות
חבילת פנדות	PyPI	2.x	עיבוד נתונים מוקדם וניהול מערכי נתונים מובנה
חבילת PyRadiomics	PyPI	3.x	חילוץ תכונות רדיומיות מתמונות CT
PyTorch   חבילה	PyPI	2.x	מסגרת למידה עמוקה ל-MLP וחישוב גרדיאנט
חבילת Scikit-learn	PyPI	1.3.x	הערכת מודלים (דיוק, דיוק, זיכרון, ציון F1)
SciPy  חבילה	PyPI	1.11+	ניתוח סטטיסטי ואימות
סיבורן  חבילה	PyPI	0.13.x	מפות חום לניתוח קורלציה של תכונות
מודול Torch.nn	PyPI	2.x	ארכיטקטורת רשת עצבית (שכבות, הפעלה)
מודול Torch.optim	PyPI	2.x	אלגוריתמים לאופטימיזציה (למשל, אדם)