Method Article

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

DOI:

10.3791/70181

⸱

April 30th, 2026

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

In This Article

Summary

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

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

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

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

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

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....

Access restricted. Please log in or start a trial to view this content.

Protocol

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

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. ....

Access restricted. Please log in or start a trial to view this content.

Results

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

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

Access restricted. Please log in or start a trial to view this content.

Discussion

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

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.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

著者たちは競合する金銭的利害関係がないと宣言しています。

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
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PyPI0.11+クラスの不均衡の扱い(例:SMOTE)
Matplotlib パッケージPyPI3.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PyPI1.26.x数値演算と特徴行列処理
パンダス・パッケージPyPI2.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PyPI3.xCT画像からの放射学的特徴の抽出
PyTorch パッケージPyPI2.xMLP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PyPI1.3.xモデル評価(正確性、精度、想起率、F1スコア)
SciPy パッケージPyPI1.11+統計解析と検証
シーボーン パッケージPyPI0.13.x特徴相関解析のためのヒートマップ
Torch.nn モジュール PyPI2.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PyPI2.x最適化アルゴリズム(例:Adam)

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Radiomic Feature SelectionGradient LossDeep Neural NetworkLung Cancer DetectionCancer Stage DetectionRecursive Feature EliminationQuantitative Imaging BiomarkersComputed TomographyFeature ImportanceModel Generalization

Related Articles