Articolo metodologico

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

DOI:

10.3791/70181

⸱

30 aprile 2026

 ,  ,  ,  , 
1Department of Software Engineering, Bahria University, 2Global College of Engineering and Technology, 3Software Engineering & Business Incubation Center, Bahria University Karachi

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 deltumore 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 dimensione e limitati al campione, portando a caratteristiche ridondanti e rumorose che degradano le prestazioni delmodello 4,5,6,7. Pertanto, una selezione efficiente e spiegabile delle caratteristiche è fondamentale per sviluppare modelli predittivi robusti basati sulla radiomica.

Approcci tradizionali di selezione delle caratteristiche come i metodi di filtro (ad esempio, analisi di correlazione, analisi della varianza [ANOVA], informazioni mutue) e metodi di wrapper (ad esempio, Selezione Sequenziale delle Caratteristiche, Eliminazione Ricorsiva delle Caratteristiche) sono ampiamente utilizzati per i modelli di rilevamento del cancro basati sulla radiomica 4,8,9. Tuttavia, spesso non riescono a catturare interazioni non lineari di caratteristiche e profonde dipendenze contestuali insite nei dati radiomici 9,10,11. Le tecniche di apprendimento delle caratteristiche in ensemble sono state esplorate per la classificazione delle immagini mediche, ma hanno raggiunto una precisione moderata, che potrebbe essere ulteriormentemigliorata 12.

I metodi di deep learning, in particolare le reti neurali profonde (DNN), hanno dimostrato una capacità superiore nel modellare relazioni non lineari e gerarchiche tra caratteristiche ed esiti, rendendoli ideali per guidare la selezione delle caratteristiche e fornire modelli accurati di rilevamento delcancro 13,14. In questo contesto, viene esplorato il potenziale dell'uso di una rete neurale convoluzionale, tecniche di IA multimodali e VCG-16, un modello pre-addestrato per la diagnosi del cancro, 1,15,16. Un modello ibrido di deeplearning 17, che include il modello VGG-19 pre-addestrato e le reti di memoria a lungo termine (LSTM), è stato proposto, addestrato e testato su un gran numero di immagini, raggiungendo un'accuratezza superiore al 99%.

Oltre alla diagnosi del cancro, sono state condotte anche ricerche sullo stadio del cancro. Hugo et al.18 hanno progettato un modello di rete neurale feed-forward sul database NSCLC di 300 pazienti per classificare i tumori stadio I, II e III con una precisione del 74,52% nei test modelli. Un metodo bayesianodi inversione basato su radiomicità 3 è stato presentato per la rilevazione dello stadio del cancro ai polmoni utilizzando il dataset NLST su un campione di 200. Il metodo proposto ha raggiunto un'accuratezza dell'86%. La revisione della letteratura ha rivelato che la maggior parte degli studi sulla diagnosi del cancro si è concentrata esclusivamente sulla classificazione dei tumori benigni e maligni, e solo pochi hanno affrontato la classificazione dello stadio oncologico, con accuratezze inferiori al 90% che possono essere ulteriormente migliorate. Questo articolo di ricerca affronta la lacuna di ricerca menzionata e propone un solido quadro di classificazione basato sulle caratteristiche radiomiche per una rilevazione accurata dello stadio del cancro ai polmoni.

In questo studio è stato introdotto un framework di eliminazione delle caratteristiche ricorsive basato sulla perdita di gradiente (GL-RFE), integrando la retropropagazione del gradiente dalle reti neurali nel processo RFE. A differenza dei metodi RFE convenzionali che si basano su metriche statiche di importanza delle caratteristiche, GL-RFE sfrutta i gradienti della funzione di perdita rispetto a ciascuna caratteristica di input per misurare quanto fortemente ciascuna caratteristica influenzi le previsioni del modello. Rimuovendo iterativamente le caratteristiche con contributi minimi al gradiente, il modello presentato esegue la selezione delle caratteristiche delle prime 15 caratteristiche diagnostiche ottimizzate per la rilevazione dello stadio del cancro polmonare in 2 classi (stadio I e II combinati e stadi IIIa e IIIb combinati). Il diagramma del flusso di lavoro svolto è riportato nella Figura 1. Il dataset scelto per il cancro ai polmoni per il modello presentato è NSCLC Radiomics19, che comprende 411 volumi in formato denominati Digital Imaging and Communications in Medicine (DICOM) con informazioni cliniche sullo stadio oncologico. Un totale di 106 caratteristiche radiomiche 3D di ciascun volume DICOM per tumori ai polmoni viene estratto utilizzando PyRadiomics20, un'estensione di un software open source, 3D Slicer21. Queste caratteristiche appartengono a sette classidi caratteristiche: 22, tra cui forma, metodo della differenza di livello di grigio (GLDM), matrice di co-incidenza a livello di grigio (GLCM), primo ordine, matrice della lunghezza della corsa a livello di grigio (GLRLM), matrice della zona di dimensione del livello di grigio (GLSZM), matrice di differenza di toni di grigio di quartiere (NGTDM). I dati radiomici della classe minoritaria (stadio I e stadio II) sono stati sovracampionati utilizzando la tecnica di sovracampionamento sintetico delle minoranze (SMOTE)23.

La novità del framework proposto GL-RFE risiede nell'integrazione dell'analisi di sensibilità basata su gradiente derivata dall'addestramento delle reti neurali nel processo di eliminazione delle caratteristiche ricorsive. A differenza degli approcci RFE convenzionali che si basano su misure statiche di importanza, GL-RFE valuta dinamicamente la rilevanza delle caratteristiche attraverso gradienti retropropagati della funzione di perdita. Ciò consente l'identificazione di caratteristiche che influenzano direttamente le previsioni del modello per lo stadio oncologico, mantenendo al contempo l'interpretabilità e la fattibilità computazionale per dataset medici relativamente piccoli.

Il dataset utilizzato per l'addestramento e il test del framework proposto è un dataset di immagini CT pubblicamente disponibile di 422 pazienti con cancro polmonare, noto come NSCLC Radiomics17. Per ogni paziente, il set di dati include un volume CT, un set di strutture radioterapiche DICOM (RTSTRUCT) e un file di segmentazione DICOM (SEG). Questi fascicoli contengono delineazioni manuali eseguite da un oncologo radioterapico del volume tridimensionale del volume primario del tumore macroscopico (GTV-1), così come l'immagine polmonare. Il set di dati è un set pre-elaborato, e le dimensioni delle immagini sono 512 x 512 pixel.

A causa della natura non lineare delle caratteristiche radiomiche realizzate a mano, queste caratteristiche non possono essere utilizzate direttamente con modelli di deep learning per la diagnosi del cancro, e i loro modelli di dati intrinseci devono essere catturati tramite tecniche di IA. GL-RFE classifica le caratteristiche in base al modulo di gradiente della perdita L rispetto a ciascuna caratteristica di ingresso xi.

Per ogni caratteristica di input xi, il gradiente assoluto medio viene calcolato come segue:

figure-introduction-1(1)

Qui, N è il numero totale di campioni. Lj è la perdita per il jcampione. xij è la icaratteristica del jesimo campione. figure-introduction-2 rappresenta la sensibilità della perdita rispetto alla caratteristica di input.

Le caratteristiche con basse magnitudini di gradiente hanno un impatto minimo sugli aggiornamenti dei modelli e vengono eliminate ricorsivamente. Il flusso di lavoro proposto per eliminare le caratteristiche radiomiche a basso gradiente utilizzando un perceptrone multilivello (MLP) e per addestrare una rete neurale di deep learning (DNN) sulle prime 15 caratteristiche è mostrato nella Figura 1. Le prestazioni del metodo GL-RFE per la selezione delle caratteristiche vengono quindi valutate.

Il modello di deep learning menzionato con il metodo GL–RFE è implementato in un Jupyter notebook su Google Colab, che consente di scrivere ed eseguire codice Python in un ambiente online. È necessario scaricare diversi pacchetti, inclusi nei passaggi del protocollo e nei materiali, per compilare il codice. Utilizzando il metodo descritto nella sezione Protocollo, vengono identificate e utilizzate le 15 principali caratteristiche radiomiche per la rilevazione del cancro ai polmoni per ottenere una rilevazione accurata nei dataset di test.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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, cerca Radiomics o SlicerRadiomics e RT Slicer.
    2. Clicca su Installa per installare le librerie RT Slicer e PyRadiomics. Riavvia il 3D Slicer dopo l'installazione.
  3. Scarica NSCLC RADIOMICS.
    1. Scarica i dataset DICOM polmonari CT insieme ai file SEG e RTSTRUCT di 422 pazienti da https://www.cancerimagingarchive.net/collection/nsclc-radiomics/
  4. Carica i dati DICOM della TC polmonare.
    1. Vai al modulo DICOM. Clicca su Importa e seleziona la cartella contenente le slice DICOM CT e il loro file SEG nella modalità RTSTRUCT.
    2. Dopo l'importazione, fai doppio clic sul paziente/studio/serie per caricarlo nella scena di Licer. Il volume 3D CT dovrebbe essere visibile nel pannello del visualizzatore come mostrato nella Figura 2.
  5. Controlla l'allineamento della geometria.
    1. Nel modulo Dati , espandi sia il volume CT che la segmentazione. Assicurati che la segmentazione si trovi esattamente sopra la TC (senza disallineamento).
  6. Apri il modulo di Radiomica .
    1. Seleziona il modulo Radiomica dalla sezione moduli (oppure cercalo nella barra di ricerca del modulo). Nel volume Immagine di Input, seleziona il volume CT desiderato.
    2. In Input Label/Segmentation, seleziona il nodo di segmentazione (il ROI).
  7. Regola i parametri di personalizzazione dell'estrazione.
    1. Imposta Spaziatura dei pixel ricampionati = [1,1,1] (garantisce voxel isotropi) e larghezza Bin = 25 (standard per CT). Imposta dimensione del kernel di LoG =2.0, 3.0, 4.0, 5.0.
  8. Esegui l'estrazione delle caratteristiche.
    1. Clicca su Applica. Il software ora calcolerà caratteristiche 3D di primo ordine, forma e texture (GLCM, GLRLM, GLSZM, GLDM e NGTDM). Visualizza la tabella per verificare le tabelle calcolate come mostrato nella Figura 3. Genera un file csv con tutte le funzionalità estratte.
    2. Ripeti il processo sopra per tutti i volumi DICOM scaricati dal dataset NSCLC RADIOMICS e salvalo come un singolo file "radiomics.csv".

2. Sviluppo di un modello di rilevamento del cancro basato sulla radiomica utilizzando librerie Python

NOTA: I seguenti passaggi sono riassunti affinché un utente possa sviluppare, addestrare e testare un modello di rilevamento del cancro utilizzando librerie Python con caratteristiche radiomiche dei dataset CT.

  1. Formattare il dataset radiomico salvato in formato csv in modo che ogni riga rappresenti un paziente/campione e ogni colonna una caratteristica. Includere una colonna di etichetta per le etichette delle classi.
  2. Apri un nuovo Jupyter notebook nell'ambiente Colab e inizia a scrivere codice dichiarando le definizioni di funzioni e le funzioni Python integrate nel passo 2.3.
  3. Dai il comando per installare Pytorch, torchvision, scikit-learn, numpy, pandas matplotlib e imbalanced-learn sopra il taccuino Jupyter.
  4. Scrivi una funzione files.upload() per prendere un file csv di input dall'utente e memorizzarlo tra le variabili x e y.
  5. Normalizzare i dati memorizzati usando il scaler di funzione = StandardScaler() e scaler.fit_transform().
  6. Definisci una funzione Multi-Layer Perceptron MLP(nn. Modulo()) con strati nascosti configurabili.
  7. Definisci una funzione di addestramento def train_epoch() per calcolare la perdita di retropropagazione dal modello MLP con input.
  8. Per un certo numero di epoche, si definisce una funzione def compute_input_gradients() per calcolare i gradienti medi della perdita rispetto alle caratteristiche di ingresso e eliminare iterativamente la caratteristica con il gradiente più basso, cioè con minore importanza, fino a rimanere 15 caratteristiche.
  9. Dividere i dati nel rapporto 80% 20% usando la funzione train_test_split() con 15 caratteristiche selezionate. Applicare una validazione incrociata a 5 volte usando StratifiedKFold(n_splits=5) sui dati di addestramento per garantire la robustezza.
  10. Creare una grande rete neurale MLP final_model = DNN().
  11. Valuta le prestazioni del modello addestrato utilizzando dati di test con le seguenti funzioni: def plot_confusion_matrix(), accuracy_score(), precision_score(), recall_score(), f1_score(), heatmap().

3. Esecuzione del notebook Jupyter per costruire e testare il modello

  1. Esegui il codice Python in un taccuino Jupyter. Viene ricevuto un prompt per caricare il file csv radiomico, come mostrato nella Figura 4.
  2. Carica il radiomics.csv.
  3. Salva i risultati della classificazione e i grafici generati.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La robustezza e l'affidabilità del quadro proposto sono evidenti dagli alti valori delle metriche di valutazione, tra cui accuratezza, richiamo, precisione e punteggioF-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...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori dichiarano di non avere interessi finanziari in competizione.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Non applicabile

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
3D Slicer SoftwareSito Web Ufficiale5.xVisualizzazione di immagini mediche, segmentazione ed estrazione di ROI per l'analisi radiomica
Imbalanced-learn PackagePyPI0.11+Gestione dell'imbalance di classe (es. SMOTE)
Matplotlib  PackagePyPI3.xTracciamento di curve di addestramento e importanza delle caratteristiche
NumPy PackagePyPI1.26.xOperazioni numeriche e gestione di matrici di feature
Pandas PackagePyPI2.xPre-elaborazione dei dati e gestione di dataset strutturati
PyRadiomics PackagePyPI3.xEstrazione di feature radiomiche da immagini CT
PyTorch  PackagePyPI2.xFramework di apprendimento profondo per MLP e calcolo del gradiente
Scikit-learn PackagePyPI1.3.xValutazione del modello (accuratezza, precisione, richiamo, F1-score)
SciPy  PackagePyPI1.11+Analisi statistica e validazione
Seaborn  PackagePyPI0.13.xHeatmap per l'analisi di correlazione delle caratteristiche
Torch.nn Module PyPI2.xArchitettura di rete neurale (strati, attivazioni)
Torch.optim ModulePyPI2.xAlgoritmi di ottimizzazione (es. Adam)

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kumar, S., Singh, J., Ravi, V., Singh, P., Al Mazroa, A., et al. Deep learning and MRI biomarkers for precise lung cancer cell detection and diagnosis. Open Bioinforma J. 17, (2024).
  2. Avanzo, M., Stancanello, J., Pirrone, G. Radiomics and deep learning in lung cancer. Strahlenther Onkol. 196, 879-887 (2020).
  3. Shakir, H., Deng, Y., Rasheed, H., et al. Radiomics based likelihood functions for cancer diagnosis. Sci Rep. 9, 9501 (2019).
  4. Shakir, H., Aijaz, B., Khan, T. M., Hussain, M. A deep learning-based cancer survival time classifier for small datasets. Computers in Biology and Medicine. 160, 106896 (2023).
  5. Liu, Z., Wang, S., Dong, D., Wei, J., Fang, C., et al. Applications of radiomics in precision diagnosis and treatment of oncology: opportunities and challenges. Theranostics. 9 (5), 1303-1322 (2019).
  6. Perniciano, A., Loddo, A., Di Ruberto, C., et al. Insights into radiomics: impact of feature selection and classification. Multimed Tools Appl. 84, 31695-31721 (2025).
  7. Shakir, H., Rasheed, H., Khan, T. M. R. Radiomic feature selection for lung cancer classifiers. J Intell Fuzzy Syst. 38 (5), 5847-5855 (2020).
  8. Noroozi, Z., Orooji, A., Erfannia, L. Analyzing the impact of feature selection methods on machine learning algorithms for heart disease prediction. Sci Rep. 13, 22588 (2023).
  9. Dhal, P., Azad, C. A comprehensive survey on feature selection in various fields of machine learning. Appl Intell. 52, 4543-4581 (2022).
  10. Papadimitroulas, P., Brocki, L., Chung, N. C., Marchadour, W., Vermet, F., et al. Artificial intelligence: deep learning in oncological radiomics and challenges of interpretability and data harmonization. Phys Med. 83, 108-121 (2021).
  11. Oliveira, C., et al. Preselection of robust radiomic features does not improve outcome modelling in non-small cell lung cancer based on clinical routine FDG-PET imaging. EJNMMI Res. 11, 79 (2021).
  12. Kolukisa, B., Bakir-Gungor, B. Ensemble feature selection and classification methods for machine learning-based coronary artery disease diagnosis. Comput Stand Interfaces. 84, 103706 (2023).
  13. Chen, Z., et al. Feature selection may improve deep neural networks for the bioinformatics problems. Bioinformatics. 36 (5), 1542-1552 (2020).
  14. Roy, D., Murty, K. S. R., Mohan, C. K. Feature selection using deep neural networks. , (2015).
  15. Kapoor, V., et al. Lung cancer detection using VGG16 and CNN. , 758-762 (2023).
  16. Mishra, N., et al. A comprehensive review of CNN and multimodal AI techniques for skin and lung cancer diagnosis. , 1-4 (2025).
  17. Alsheikhy, A. A., Said, Y., Shawly, T., Alzahrani, A. K., Lahza, H. A CAD system for lung cancer detection using hybrid deep learning techniques. Diagnostics (Basel). 13 (6), 1174 (2023).
  18. Cheung, E. Y. W., et al. Overall staging prediction for non-small cell lung cancer (NSCLC): a local pilot study with artificial neural network approach. Cancers (Basel). 17 (3), 523 (2025).
  19. Hugo, A., et al. Data from NSCLC-Radiomics. The Cancer Imaging Archive. , (2015).
  20. Van Griethuysen, J. J. M., et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 77, e104-e107 (2017).
  21. Kikinis, R., Pieper, S. D., Vosburgh, K. G. 3D Slicer: A Platform for Subject-Specific Image Analysis, Visualization, and Clinical Support. Intraoperative Imaging and Image-Guided Therapy. , (2014).
  22. Lei, M., et al. Benchmarking various radiomic toolkit features while applying the image biomarker standardization initiative toward clinical translation of radiomic analysis. J Digit Imaging. 34 (5), 1156-1170 (2021).
  23. Elreedy, D., Atiya, A. F., Kamalov, F. A theoretical distribution analysis of synthetic minority oversampling technique (SMOTE) for imbalanced learning. Mach Learn. 113, 4903-4923 (2024).
  24. Opitz, J. A closer look at classification evaluation metrics and a critical reflection of common evaluation practice. Trans Assoc Comput Linguist. 12, 820-836 (2024).
  25. He, Y., et al. Integrative radiomics clustering analysis to decipher breast cancer heterogeneity and prognostic indicators through multiparametric MRI. NPJ Breast Cancer. 10, 72 (2024).
  26. Gao, J., Cheng, Y., Gao, J. Predicting sport event outcomes using deep learning. PeerJ Comput Sci. 11, e3011 (2025).
  27. Stafoggia, M., et al. Spie charts, target plots, and radar plots for displaying comparative outcomes of health care. J Clin Epidemiol. 64 (7), 770-778 (2011).
  28. Kuzudisli, C., Bakir-Gungor, B., Bulut, N., Qaqish, B., Yousef, M. Review of feature selection approaches based on grouping of features. PeerJ. 11, e15666 (2023).
  29. Tomar, D., Prasad, Y., Thakur, M. K., Biswas, K. K. Feature selection using autoencoders. , 56-60 (2017).
  30. Raptis, S., Ilioudis, C., Theodorou, K. Biomedical physics & engineering express. Biomed Phys Eng Express. 10 (3), 035016 (2024).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Rilevazione del tumore al polmoneeliminazione ricorsiva delle caratteristichebiomarcatori di imaging quantitativitomografia computerizzataimportanza delle caratteristichegeneralizzazione del modello

Articoli correlati