폐암 병기 검출을 위한 심층 신경망의 그라디언트 손실을 이용한 방사선 특성 선택

Summary

여기서는 신경망 손실 함수의 입력 특징에 대한 구배를 활용하여 폐암 병기 발견에 가장 큰 영향을 미치는 특징을 식별하고 우선순위를 정하는 딥러닝 기반 특징 선택 방법을 제시합니다.

Abstract

방사학은 의료 이미지에서 정량적 영상 바이오마커를 추출할 수 있게 하며, 컴퓨터 보조 암 진단에 중요한 도구가 되었습니다. 하지만 방사성 학 데이터셋은 일반적으로 표본 크기가 제한된 고차원 데이터셋이기 때문에, 특징 선택은 신뢰할 수 있는 예측 모델을 구축하는 데 매우 중요한 단계입니다. 본 연구는 심층 신경망에서 구배 민감도 분석을 통합하여 폐암 병기 검출에 가장 영향력 있는 방사선 특성을 식별하는 구배-손실 재귀 특징 제거(GL-RFE) 프레임워크를 제안합니다. 3D 슬라이서 플랫폼의 PyRadiomics 확장을 이용한 흉부 컴퓨터 단층촬영(CT) 스캔에서 총 106개의 방사선 마이크 특징이 추출되었습니다. 제안된 방법은 입력 특성에 대한 네트워크 손실의 기울기를 계산하여 특징 중요성을 평가하고, 최소한의 기여로 특징을 재귀적으로 제거합니다. 이로 인해 상위 15개의 방사선 측정 특성이 초기 및 진행기 폐암을 구분하는 심층 신경망 분류기를 훈련하는 데 사용됩니다. 제안된 프레임워크는 테스트 데이터셋에서 90.22%의 정확도, 90.10%의 정확도, 90.24%의 회상율, 90.16%의 F1 점수로 강력한 분류 성능을 달성합니다. 상관 열맵과 분포 플롯을 포함한 시각화 분석은 특징 중복성 감소와 클래스 분리성 향상을 더욱 확인시켜 줍니다. 기존의 특징 선택 기법과 비교할 때, GL-RFE는 비선형 특징 상호작용을 효과적으로 포착하고 모델 일반화를 향상시킵니다. 제시된 프로토콜은 방사선 학 기반 암기 검출을 위한 재현 가능하고 해석 가능한 방법론을 제공합니다. 특히 고차원 소표본 생의학 데이터셋에 적합하며, 유전체학 및 다중 모달 임상 분석 등 다른 분야에서도 잠재적 응용이 가능합니다.

Introduction

폐암은 여전히 주요 암 유형 중 하나로 남아 있으며, 심각한 건강 문제를 초래하며 종종 사망에 이를 수 있습니다¹. 방사선학은 종양의 형태, 질감, 강도 패턴을 설명하는 대규모 특징을 추출하여 의료 영상의 정량적 특성화를 가능하게 합니다 ^2,3. 이러한 특징들은 수제 기능이라고도 하며, 폐암의 진단, 예후 및 치료 반응에 잠재적인 바이오마커 역할을 합니다. 하지만 방사성 마이크 데이터셋은 일반적으로 고차원적이고 표본이 제한되어 있어 중복되고 잡음이 많은 특징이 발생해 모델 성능을 저하시킵니다 ^4,5,6,7. 따라서 효율적이고 설명 가능한 특징 선택은 견고한 방사선 기반 예측 모델 개발에 필수적입니다.

필터 방법(예: 상관분석, 분산분석[ANOVA], 상호 정보)과 래퍼 방법(예: 순차적 특징 선택, 재귀적 특징 제거)과 같은 전통적인 특징 선택 ....

Protocol

1. 3D 슬라이서 PyRadiomics 확장 기능을 이용한 방사성 특성 추출

참고: 다음 단계는 3D Slicer PyRadiomics 확장을 사용하여 폐 CT DICOM 파일의 방사선 특성을 계산하고, 쉼표 구분값(csv) 형식으로 저장하기 위해 설계되었습니다.

1. 3D 슬라이서를 설치하고 실행하세요(https://download.slicer.org/ 에서 최신 안정 버전을 사용하세요.
2. PyRadiomics 확장 프로그램과 RT 슬라이서를 설치하세요.
   1. 메뉴 바에서 확장 프로그램 관리자 보기로 가>. 그다음 Radiomics 또는 SlicerRadiomics, RT Slicer를 검색하세요.
   2. RT 슬라이서와 파이라디오믹스 라이브러리를 설치하려면 설치 를 클릭하세요. 설치 후 3D 슬라이서를 재시작하세요.
3. NSCLC 방사선 검사 다운로드하세요.
   1. https://www.ca....

Results

데이터셋 요약
NSCLC Radiomics 데이터셋은 폐암 1, 2, 3기 환자의 CT 볼륨 422개를 포함합니다. 초기 암(I, II) CT 데이터셋은 134개이지만, 진행기 암(IIIa, IIIb) 데이터 샘플은 288개입니다. 데이터셋은 고발기(3단계) 사례가 초기 단계(1기 및 2단계) 사례보다 더 많은 것으로 나타났습니다. 이 불균형을 해소하기 위해 추출된 방사선 특성에 과잉 샘플링을 적용하여 소수 집단의 대표성을 높였습니다. 그 결과 1단계와 2단계 표본의 수가 크게 증가하여 표 1에서 보듯이 클래스 간 보다 균형 잡힌 분포가 이루어졌습니다. 이러한 조정은 모델 성능에 대한 보다 신뢰할 수 있고 편향 없는 평가를 보장하는 데 도움을 줍니다.

방사선 마이크 특징 추출
제안된 프레임워크의 워크플로우는

Discussion

제안된 프레임워크의 견고성과 신뢰성은 정확성, 회상율, 정밀도, F-1 점수²⁴ 등 평가 지표의 높은 가치에서 분명히 드러납니다. 모든 점수는 MLP 교육 중 5배 CV를 사용하여 시험 데이터에서 90% 이상의 성과를 기록했습니다.

제안된 GL-RFE 프레임워크의 성능과 타당성은 시각화 기법을 통해 더욱 지원되었습니다. 그림 7의 상관관계 열맵²⁵는 최초 추출된 방사성 특성들이 상당한 특징 간 중복성을 보이는 반면, 선택된 특징 하위 집합은 상관관계가 크게 감소하여 중복 정보가 효과적으로 제거되고 특징 독립성이 향상되었음을 나타냅니다. 더불어, 그림 8의 커널 밀도 추정(KDE)

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
3D 슬라이서 소프트웨어	공식 웹사이트	5.x	방사선 분석 분야의 의료 영상 시각화, 분할 및 ROI 추출
Imbalanced-learn 패키지	파이파이	0.11+	계급 불균형 처리 (예: SMOTE)
Matplotlib  패키지	파이파이	3.x	훈련 곡선 및 특징 중요도 도표 작성
NumPy 패키지	파이파이	1.26.x	수치 연산과 특징 행렬 처리
판다스 패키지	파이파이	2.x	데이터 전처리 및 구조화된 데이터셋 관리
파이라디믹스 패키지	파이파이	3.x	CT 영상에서 방사선 마이크 특징 추출
PyTorch  패키지	파이파이	2.x	MLP 및 그라디언트 계산을 위한 딥러닝 프레임워크
Scikit-learn 패키지	파이파이	1.3.x	모델 평가(정확성, 정밀도, 회상력, F1 점수)
SciPy  패키지	파이파이	1.11+	통계 분석 및 검증
시본  패키지	파이파이	0.13.x	특징 상관 분석을 위한 히트맵
Torch.nn 모듈	파이파이	2.x	신경망 아키텍처 (계층, 활성화)
토치.옵티움 모듈	파이파이	2.x	최적화 알고리즘(예: Adam)