肺がんステージ検出のためのディープニューラルネットワークの勾配損失を用いた放射学的特徴選択

Summary

ここでは、入力特徴に対するニューラルネットワーク損失関数の勾配を活用し、肺がんステージ検出に最も強く影響を与える特徴を特定し優先順位付けするディープラーニングベースの特徴選択手法を紹介します。

Abstract

ラジオミクスは医療画像から定量的な画像バイオマーカーを抽出することを可能にするものであり、コンピュータ支援によるがん診断において重要なツールとなっています。しかし、放射学データセットは通常高次元でサンプルサイズが限られているため、特徴選択は信頼できる予測モデルを構築する上で重要なステップとなります。本研究は、深層ニューラルネットワークからの勾配感度解析を統合し、肺がんステージ検出に最も影響を与える放射線学的特徴を特定する勾配損失再帰的特徴除去(GL-RFE)フレームワークを提案します。3D SlicerプラットフォームのPyRadiomics拡張を用いて胸部CT(CT)スキャンから合計106件の放射線ミック特徴が抽出されました。提案された手法は、入力特徴に対するネットワーク損失の勾配を計算し、最小限の寄与で特徴を再帰的に除去することで特徴重要度を評価します。その結果得られたトップ15の放射線学的特徴は、早期および進行期肺がんを区別するための深層ニューラルネットワーク分類器の訓練に用いられます。提案されたフレームワークは、テストデータセット上で90.22%の精度、90.10%の精度、90.24%のリコール率、90.16%のF1スコアと高い分類性能を達成しています。相関ヒートマップや分布プロットを含む可視化解析により、特徴冗長性の低減とクラス分離性の向上がさらに確認されました。従来の特徴選択技術と比較して、GL-RFEは非線形特徴の相互作用を効果的に捉え、モデルの一般化を強化します。提示されたプロトコルは、放射線学に基づくがんステージ検出のための再現可能かつ解釈可能な方法論を提供します。特に高次元・小サンプルの生物医学データセットに適しており、ゲノミクスやマルチモーダル臨床解析など他の分野での応用も期待できます。

Introduction

肺がんは依然として主要ながんの一つであり、深刻な健康問題を引き起こし、しばしば死亡に至る^1.放射線学は腫瘍の形状、質感、強度パターンを記述する大規模な特徴を抽出することで、医療画像の定量的特徴解析を可能にします ^2,3。これらの特徴は「手作りの特徴」とも呼ばれ、肺がんの診断、予後、治療反応のバイオマーカーとして機能します。しかし、ラジオミクスデータセットは通常高次元かつサンプル制限があるため、冗長でノイズの多い特徴がモデル性能を低下させます ^4,5,6,7。したがって、効率的かつ説明可能な特徴選択は、堅牢なラジオミックベースの予測モデル開発に不可欠です。

フィルター法(例:相関解析、分散解析[ANOVA]、相互情報量)やラッパー法(例:逐次特徴選択、再帰的特徴除去)などの従来の特徴選択手法は、放射線学ベースのがん^{検出モデルで}広く用いられています^4,8,9。しかし、非線形の特徴相互作用や放射線^{学データに}内在する深い文脈依存性を捉えきれない^{ことが多いです。}アンサンブル特徴学習技術は医療画像の分類に検討されましたが、中程度の精度を達成しており、さらに改善が期待されています¹²。

ディープラーニング手法、特にディープニューラルネットワーク(DNN)は、特徴とアウトカム間の非線形かつ階層的な関係をモデル化する優れた能力を示しており、特徴選択の指針や正確ながん検出モデルの提供に理想的です^(13,14)。この文脈で、畳み込みニューラルネットワーク、マルチモーダルAI技術、がん診断用の事前学習モデルVCG-16の利用可能性が探求^{されます。}事前学習済みのVGG-19モデルと長期短期記憶ネットワーク(LSTMs)を含むハイブリッド深層学習モデル¹⁷が提案され、多数の画像で訓練・テストされ、99%以上の精度を達成しました。

がん検出に加え、がん病期に関する研究も行われています。Hugoらは、NSCLCデータベース上で300人の患者を対象としたフィードフォワードニューラルネットワーク^{モデルを設計} し、がんステージI、II、IIIをモデルテストで74.52%の精度で分類しました。NLSTデータセットを用いて、200サンプルサイズの肺がんステージ検出のために放射学ベースのベイズ逆転法³が提示されました。提案された方法は86%の精度を達成しました。文献レビューによると、がん検出に関する研究の多くは良性および悪性腫瘍の分類のみに焦点を当てており、がん期分類に取り組んだものはごくわずかで、精度は90%未満でさらに改善が可能であることが明らかになりました。本研究論文は前述の研究ギャップに対応し、正確な肺がんステージ検出のための堅牢な放射線学特性ベースの分類フレームワークを提案します。

本研究では勾配損失に基づく再帰的特徴消去(GL-RFE)フレームワークが導入され、ニューラルネットワークからの勾配バックプロパゲーションをRFEプロセスに統合しています。従来のRFE手法が静的な特徴重要度指標に依存するのに対し、GL-RFEは損失関数の勾配を各入力特徴に対して利用し、各特徴がモデル予測にどれだけ強く影響を与えるかを測定します。勾配寄与の最小限の特徴を反復的に除去することで、提示されたモデルは2つのクラス(ステージIとステージIIの結合、ステージIIIaとIIIbの結合)の診断機能検出に最適化された上位15の特徴を選択します。作業のワークフロー図は図1に示されています。提案モデルに選ばれた肺がんデータセットはNSCLC Radiomics¹⁹で、臨床がんステージ情報を含むデジタル画像・コミュニケーション医学(DICOM)411巻のフォーマットを有しています。各肺がんDICOMボリュームの合計106件の3Dラジオマイク特徴は、オープンソースソフトウェア3D Slicer²¹の拡張であるPyRadiomics²⁰を用いて抽出されます。これらの特徴は7つの特徴クラス²²に属し、形状、グレーレベル差分法(GLDM)、グレーレベル共現行列(GLCM)、一階、グレーレベルラン長行列(GLRLM)、グレーレベルサイズゾーン行列(GLSZM)、近傍グレートーン差分行列(NGTDM)が含まれます。マイノリティクラス(ステージIおよびステージII)のラジオミクスデータは合成マイノリティオーバーサンプリング技術(SMOTE)を用いてオーバーサンプリングされました²³。

提案されたGL-RFEフレームワークの新規性は、ニューラルネットワーク訓練から導き出された勾配ベースの感度解析を再帰的特徴除去プロセスに統合した点にあります。静的重要度測定に依存する従来のRFE手法とは異なり、GL-RFEは損失関数の逆伝播勾配を通じて特徴関連性を動的に評価します。これにより、比較的小規模な医療データセットに対して解釈可能性と計算実現可能性を維持しつつ、がんステージのモデル予測に直接影響を与える特徴の特定が可能になります。

提案されたフレームワークのトレーニングおよびテストに使用されるデータセットは、NSCLC Radiomics¹⁷として知られる422人の肺がん患者の公開CT画像データセットです。各患者には、CTボリューム、DICOM放射線治療構造セット(RTSTRUCT)、DICOMセグメンテーション(SEG)ファイルが含まれます。これらのファイルには、放射線腫瘍専門医が原発腫瘍体積(GTV-1)の三次元体積と肺画像の手動で区分したものが含まれています。データセットは前処理済みで、画像のサイズは512×512ピクセルです。

手作りのラジオマイク特徴は非線形であるため、これらの特徴はディープラーニングモデルで直接がん診断に利用できず、その固有のデータパターンはAI技術で捉える必要があります。GL-RFEは、モデル損失L の勾配の大きさの大きさに基づいて各入力特徴xiに基づいて特徴をランク付け_します。

各入力特徴 x_i に対して、平均絶対勾配は次のように計算されます。

(1)

ここで、Nはサンプル数の総数です。L_j は j^番目のサンプルの損失です。x_ij は j^番目の サンプルの i^番目の 特徴です。 は入力特徴に対する損失の感度を表します。

勾配の大きさが低い特徴はモデル更新にほとんど影響を与えず、再帰的に除外されます。多層パーセプトロン(MLP)を用いて低勾配の放射学特性を除去し、上位15の特徴に対して深層学習ニューラルネットワーク(DNN)を学習する提案されたワークフローは 図1に示されています。その後、GL-RFE手法による特徴選択の性能が評価されます。

前述のGL–RFE手法を用いた深層学習モデルは、Google ColabのJupyterノートブックで実装されており、オンライン環境でPythonコードを書き実行することが可能です。プロトコルのステップや教材に含まれる異なるパッケージをダウンロードしてコードをコンパイルする必要があります。プロトコルのセクションで説明されている方法を用いて、肺がん検出における上位15の放射線特徴を特定し、テストデータセット上で正確ながん検出を実現するために活用します。

Protocol

1. 3D スライサー PyRadiomics 拡張を用いた放射学的特徴抽出

注:以下の手順は、3D Slicer PyRadiomics拡張を用いて肺CT DICOMファイルの放射線特徴を計算し、カンマ分離値(csv)形式のファイルに保存するために設計されています。

1. 3Dスライサーをインストールして開いてください(https://download.slicer.org/ の最新の安定版を使用してください。
2. PyRadiomics拡張機能とRTスライサーをインストールしてください。
   1. メニューバーで「拡張機能マネージャー>表示」へ行きます。次に、RadiomicsやSlicerRadiomics、RT Slicerを検索してください。
   2. RT SlicerとPyRadiomicsのライブラリをインストールするには 「インストール 」をクリックしてください。インストール後に3Dスライサーを再起動してください。
3. NSCLCラジオミクスをダウンロードしてください。
   1. https://www.cancerimagingarchive.net/collection/nsclc-radiomics/ のCTの肺DICOMデータセットとSEG、RTSTRUCTファイルをダウンロードしてください
4. 肺CTのDICOMデータを読み込んで。
   1. DICOMモジュールに行け。RTSTRUCTモダリティで 「インポート 」をクリックし、DICOM CTスライスとそのSEGファイルを含むフォルダを選択します。
   2. インポート後、患者/研究/シリーズをダブルクリックしてスライサーシーンに読み込みます。3D CTボリュームは 図2に示すようにビューアパネルで見えるはずです。
5. ジオメトリのアライメントを確認してください。
   1. データモジュールでCTボリュームとセグメンテーションの両方を展開します。分割がCTの真上にあるように(ずれがない)ことを確認してください。
6. ラジオミクスモジュールを開けろ。
   1. モジュールセクションから Radiomics モジュールを選択してください(またはモジュール検索バーで検索してください)。 入力画像ボリュームで、希望するCTボリュームを選択します。
   2. 入力ラベル/セグメントでセグメントノード(ROI)を選択してください。
7. 抽出のカスタマイズパラメータを調整してください。
   1. リサンプリングされたピクセル間隔 = [1,1,1](等方性ボクセルを保証)、Bin width = 25(CTの標準)を設定します。LoGカーネルサイズを =2.0, 3.0, 4.0, 5.0 に設定します。
8. 特徴抽出を実行します。
   1. 「応募」をクリックします。ソフトウェアは今後、3Dの一階、形状、テクスチャの特徴(GLCM、GLRLM、GLSZM、GLDM、NGTDM)を計算します。図3に示すように計算された表を表示して、計算された表を検証します。すべての抽出された特徴を入れたcsvファイルを出力します。
   2. 上記の手順をNSCLC RADIOMICSデータセットからダウンロードしたすべてのDICOMボリュームに対して繰り返し、単一のファイル「radiomics.csv」として保存します。

2. Pythonライブラリを用いた放射線学ベースのがん検出モデルの開発

注:以下の手順は、Pythonライブラリを用いてCTデータセットの放射線学的特徴を用いてがん検出モデルを開発、訓練、テストするための要約です。

1. 保存したラジオミックのデータセットをcsv形式でフォーマットし、各行が1つの患者/サンプルを表し、各列が特徴を表すようにしてください。クラスラベル用のラベル欄を1つ含めてください。
2. Colab環境で新しいJupyterノートブックを開き、以下の関数定義と組み込みのPython関数をステップ2.3で宣言してコードを書き始めます。
3. Jupyterノートブックの上にPytorch、torchvision、scikit-learn、numpy、pandas matplotlib、imbalanced-learnをインストールするコマンドを付与します。
4. 関数 files.upload() を書き、ユーザーから入力されたcsvファイルを受け取り、x変数とy変数に保存します。
5. 関数スケーラー= StandardScaler() および scaler.fit_transform()を使って格納データを正規化します。
6. 多層パーセプトロン関数 MLP(nn.モジュール())は設定可能な隠れレイヤーを持つ。
7. 訓練関数def train_epoch() を定義し、MLPモデルからの逆伝搬損失を入力で計算します。
8. 複数のエポックについて、 関数def compute_input_gradients() を定義し、入力特徴に対する損失の平均勾配を計算し、最も勾配の低い特徴(重要度が低い)を反復的に削除し、15個の特徴が残るまで続けます。
9. train_test_split()関数を使い、15の特徴を選んだまま、データを80%20%の比率で分割します。トレーニングデータに対してStratifiedKFold(n_splits=5)を用いた5回のクロス検証を適用し、堅牢性を確保します。
10. 大規模なMLPニューラルネットワークを作成します final_model = DNN()。
11. 以下の関数でテストデータを用いて、訓練済みモデルの性能を評価します: def plot_confusion_matrix(), accuracy_score(), precision_score(), recall_score(), f1_score( ), heatmap()。

3. Jupyterノートブックを起動してモデルの構築とテストを行う

1. PythonコードをJupyterノートブックで実行してください。 図4に示されるように、ラジオマイクのcsvファイルをアップロードするよう促されます。
2. radiomics.csvをアップロードしてください。
3. 分類結果と生成されたグラフを保存してください。

Results

データセット概要
NSCLCラジオミクスデータセットには、肺がんステージI、II、III患者のCTボリューム422件が含まれています。初期がん(I、II)を含むCTデータセットは134件ですが、進行期がん(IIIa、IIIb)のデータサンプルは288件です。このデータセットでは、進行期(ステージIII)の症例が初期段階(ステージIおよびステージII)よりも多い有意なクラス不均衡が見られました。この不均衡を解消するため、抽出されたラジオマイクの特徴に過剰サンプリングが施され、少数派クラスの代表性を高めました。その結果、ステージIおよびIIのサンプル数が大幅に増加し、 表1に示されるようにクラス間の分布がより均衡しました。この調整により、モデルのパフォーマンスの信頼性と偏りのない評価が保証されます。

ラジオマイクロの特徴抽出
提案されたフレームワークのワークフローは

Discussion

提案されたフレームワークの堅牢性と信頼性は、正確性、リコール率、精度、F-1スコア²⁴などの評価指標の高い値から明らかです。すべてのスコアは、MLPトレーニング中に用いた5折履歴書を用いたテストデータで90%以上の成績を収めました。

提案されたGL-RFEフレームワークの性能と妥当性は、可視化技術によってさらに支援されました。図7の相関ヒートマップ²⁵は、最初に抽出された放射学的特徴が著しい特徴間冗長性を示す一方、選択された特徴部分は相関が著しく減少し、冗長情報の効果的な除去と特徴独立性の向上を示しています。さらに、図8の核密度推定(KDE)プロット²⁶はクラス別の特徴分布を洞察し、いくつかの選択された特徴が早期がん群...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
3Dスライサーソフトウェア	公式ウェブサイト	5.x	医療画像の可視化、セグメンテーション、ROI抽出による放射学分析
Imbalanced-learn パッケージ	PyPI	0.11+	クラスの不均衡の扱い(例:SMOTE)
Matplotlib パッケージ	PyPI	3.x	トレーニングカーブと特徴重要度のプロット
NumPy パッケージ	PyPI	1.26.x	数値演算と特徴行列処理
パンダス・パッケージ	PyPI	2.x	データ前処理と構造化データセット管理
PyRadiomicsパッケージ	PyPI	3.x	CT画像からの放射学的特徴の抽出
PyTorch パッケージ	PyPI	2.x	MLPおよび勾配計算のためのディープラーニングフレームワーク
Scikit-learnパッケージ	PyPI	1.3.x	モデル評価(正確性、精度、想起率、F1スコア)
SciPy パッケージ	PyPI	1.11+	統計解析と検証
シーボーン パッケージ	PyPI	0.13.x	特徴相関解析のためのヒートマップ
Torch.nn モジュール	PyPI	2.x	ニューラルネットワークアーキテクチャ(層、活性化)
Torch.optimモジュール	PyPI	2.x	最適化アルゴリズム(例:Adam)