Selezione delle caratteristiche radiomiche utilizzando la perdita di gradiente di una rete neurale profonda per la rilevazione dello stadio del cancro ai polmoni

Summary

Qui è presentato un metodo di selezione delle caratteristiche basato sul deep learning che sfrutta i gradienti di una funzione di perdita di una rete neurale rispetto alle caratteristiche di input per identificare e dare priorità a quelle che influenzano maggiormente la rilevazione dello stadio del cancro ai polmoni.

Abstract

La radiomica consente l'estrazione di biomarcatori di imaging quantitativo da immagini mediche ed è diventata uno strumento importante per la diagnosi assistita dal computer del cancro. Tuttavia, i dataset radiomici sono tipicamente ad alta dimensione con dimensioni di campione limitate, rendendo la selezione delle caratteristiche un passaggio cruciale per costruire modelli predittivi affidabili. Questo studio propone un framework di eliminazione delle caratteristiche ricorsive a perdita di gradiente (GL-RFE) che integra l'analisi della sensibilità al gradiente da una rete neurale profonda per identificare le caratteristiche radiomiche più influenti per la rilevazione dello stadio del cancro ai polmoni. Un totale di 106 caratteristiche radiomiche sono state estratte dalle tomotomie computerizzate toracici (TC) utilizzando l'estensione PyRadiomics della piattaforma 3D Slicer. Il metodo proposto valuta l'importanza delle caratteristiche calcolando gradienti della perdita di rete rispetto alle caratteristiche di ingresso ed elimina ricorsivamente le caratteristiche con un contributo minimo. Le 15 principali caratteristiche radiomiche risultanti vengono utilizzate per addestrare un classificatore di rete neurale profonda per distinguere il cancro polmonare in stadio iniziale da quello in stadio avanzato. Il framework proposto raggiunge una solida performance di classificazione, con una precisione del 90,22%, precisione del 90,10%, ricordo del 90,24% e un punteggio F1 del 90,16% sul dataset del test. Le analisi di visualizzazione, incluse mappe di calore di correlazione e grafici di distribuzione, confermano ulteriormente la ridotta ridondanza delle caratteristiche e la miglioramento della separabilità delle classi. Rispetto alle tecniche convenzionali di selezione delle caratteristiche, GL-RFE cattura efficacemente le interazioni non lineari delle caratteristiche e migliora la generalizzazione dei modelli. Il protocollo presentato fornisce una metodologia riproducibile e interpretabile per la rilevazione dello stadio del cancro basata sulla radiomica. È particolarmente adatto per dataset biomedici ad alta dimensione e piccoli campioni e ha potenziali applicazioni in altri ambiti, come la genomica e l'analisi clinica multimodale.

Introduction

Il cancro ai polmoni rimane uno dei principali tipi di cancro, che porta a gravi problemi di salute, spesso con la morte¹. La radiomica consente la caratterizzazione quantitativa delle immagini mediche estraendo ampi insiemi di caratteristiche che descrivono la forma, la texture e i modelli di intensità del^{tumore 2,3}. Queste caratteristiche, detti anche caratteristiche artigianali, fungono da potenziali biomarcatori per la diagnosi, la prognosi e la risposta terapeutica del cancro ai polmoni. Tuttavia, i dataset radiomici sono tipicamente ad alta dimens....

Protocol

1. Estrazione di caratteristiche radiomiche tramite estensione 3D Slicer PyRadiomics

NOTA: I seguenti passaggi sono progettati per calcolare le caratteristiche radiomiche di un file DICOM CT polmonare utilizzando l'estensione 3D Slicer PyRadiomics e per salvare in un file in formato csv (comma separated value).

1. Installa e apri 3D Slicer (usa l'ultima versione stabile di https://download.slicer.org/.
2. Installa l'estensione PyRadiomics e il RT Slicer.
   1. Nella barra del menu, vai su Visualizza > Gestore delle Estensioni. Poi, cerc....

Results

Riassunto del dataset
Il dataset NSCLC Radiomics comprende 422 volumi CT di pazienti con cancro polmonare stadio I, II e III. Mentre il numero di dataset CT per il cancro in stadio iniziale (I, II) è di 134, i campioni di dati per il cancro in stadio avanzato (IIIa, IIIb) sono 288. Il dataset ha mostrato un significativo squilibrio di classe, con un numero maggiore di casi di fase avanzata (stadio III) rispetto ai casi di fase iniziale (stadio I e stadio II). Per colm.......

Discussion

La robustezza e l'affidabilità del quadro proposto sono evidenti dagli alti valori delle metriche di valutazione, tra cui accuratezza, richiamo, precisione e punteggio^{F-1 24}. Tutti i punteggi hanno ottenuto una performance superiore al 90% nei dati del test, con un CV a 5 volte impiegato durante l'addestramento MLP.

Le prestazioni e la validità del framework GL-RFE proposto sono state ulteriormente supportate attraver.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Software per Slicer 3D	Sito ufficiale	5.x	Visualizzazione delle immagini mediche, segmentazione ed estrazione ROI per analisi radiomica
Pacchetto Imbalance Learn.	PyPI	0.11+	Gestione dello squilibrio di classe (ad esempio, SMOTE)
Matplotlib  Pacchetto	PyPI	3.x	Tracciare curve di addestramento e importanza delle caratteristiche
Pacchetto NumPy	PyPI	1.26.x	Operazioni numeriche e gestione delle matrici di caratteristiche
Pacchetto Pandas	PyPI	2.x	Preprocessing dei dati e gestione strutturata dei dataset
Pacchetto PyRadiomics	PyPI	3.x	Estrazione di caratteristiche radiomiche dalle immagini CT
PyTorch  Pacchetto	PyPI	2.x	Framework di deep learning per MLP e calcolo a gradiente
Pacchetto Scikit-learn	PyPI	1.3.x	Valutazione del modello (accuratezza, precisione, richiamo, punteggio F1)
SciPy  Pacchetto	PyPI	1.11+	Analisi statistica e validazione
Seaborn  Pacchetto	PyPI	0.13.x	Heatmap per l'analisi delle correlazioni delle caratteristiche
Torch.nn Modulo	PyPI	2.x	Architettura delle reti neurali (livelli, attivazioni)
Modulo Torch.optim	PyPI	2.x	Algoritmi di ottimizzazione (ad esempio, Adam)