Radiomische featureselectie met behulp van gradiëntverlies van diep neurale netwerk voor het opsporen van longkankerstadium

Summary

Hier wordt een op deep learning gebaseerde feature-selectiemethode gepresenteerd die gebruikmaakt van gradiënten van een neuraal netwerkverliesfunctie ten opzichte van inputfeatures om die functies te identificeren en te prioriteren die het meest invloed hebben op de detectie van longkankerfase.

Abstract

Radiomics maakt het mogelijk om kwantitatieve beeldvormende biomarkers uit medische beelden te extraheren en is een belangrijk hulpmiddel geworden voor computerondersteunde kankerdiagnose. Radiomics-datasets zijn echter doorgaans hoogdimensionaal met beperkte steekproefgroottes, waardoor het selecteren van kenmerken een cruciale stap is voor het bouwen van betrouwbare voorspellende modellen. Deze studie stelt een gradient-loss recursive feature elimination (GL-RFE) raamwerk voor dat gradiëntgevoeligheidsanalyse integreert vanuit een diep neuraal netwerk om de meest invloedrijke radiomische kenmerken voor de detectie van longkankerstadium te identificeren. In totaal werden 106 radiomische kenmerken extraherd uit borstkas computertomografie (CT)-scans met behulp van de PyRadiomics-uitbreiding van het 3D Slicer-platform. De voorgestelde methode evalueert het belang van kenmerken door gradiënten van het netwerkverlies ten opzichte van invoerkenmerken te berekenen en elimineert recursief kenmerken met minimale bijdrage. De resulterende top 15 radiomische kenmerken worden gebruikt om een classifier voor diep neuraal netwerk te trainen voor het onderscheiden van vroege en gevorderde longkanker. Het voorgestelde kader behaalt sterke classificatieprestaties, met een nauwkeurigheid van 90,22%, precisie van 90,10%, herinnering van 90,24% en een F1-score van 90,16% op de testdataset. Visualisatie-analyses, waaronder correlatie-warmtekaarten en distributiegrafieken, bevestigen verder verminderde feature-redundantie en verbeterde klassenscheiding. In vergelijking met conventionele featureselectietechnieken vangt GL-RFE effectief niet-lineaire feature-interacties vast en verbetert het de generalisatie van het model. Het gepresenteerde protocol biedt een reproduceerbare en interpreteerbare methodologie voor radiomic-gebaseerde kankerstadiumdetectie. Het is bijzonder geschikt voor hoogdimensionale, kleine steekproef biomedische datasets en heeft potentiële toepassingen in andere domeinen, zoals genomica en multimodale klinische analyse.

Introduction

Longkanker blijft een van de belangrijkste soorten kanker, wat leidt tot ernstige gezondheidsproblemen en vaak tot de dood^{leidt 1}. Radiomic maakt kwantitatieve karakterisering van medische beelden mogelijk door grote sets kenmerken te extraheren die tumorvorm, textuur en intensiteitspatronen beschrijven ^2,3. Deze kenmerken, ook wel handgemaakte kenmerken genoemd, dienen als potentiële biomarkers voor diagnose, prognose en behandelingsrespons van longkanker. Radiomic datasets zijn echter doorgaans hoogdimensionaal en sample-gelimiteerd, wat leidt tot red....

Protocol

1. Extractie van radiomic-functies met behulp van de 3D Slicer PyRadiomics-extensie

OPMERKING: De volgende stappen zijn ontworpen om radiomische kenmerken van een long CT DICOM-bestand te berekenen met behulp van de 3D Slicer PyRadiomics-extensie en om op te slaan in een bestand van het coma separated value (csv)-formaat.

1. Installeer en open 3D Slicer (gebruik de nieuwste stabiele release van https://download.slicer.org/.
2. Installeer de PyRadiomics-extensie en RT-slicer.
   1. Ga in de menubalk naar Weergave > Extensie Manager. Zoek....

Results

Datasetoverzicht
De NSCLC Radiomics-dataset omvat 422 CT-volumes van longkankerpatiënten in stadium I, II en III. Hoewel het aantal CT-datasets met vroege kanker (I, II) 134 bedraagt, zijn de datasteekproeven met gevorderd stadium kanker (IIIa, IIIb) 288. De dataset vertoonde een significante klasse-onevenwichtigheid, met een hoger aantal gevorderde (stadium III) gevallen vergeleken met vroege fase (stadium I en stadium II). Om deze onbalans aan te pakken, werd oversa.......

Discussion

De robuustheid en betrouwbaarheid van het voorgestelde kader blijkt uit de hoge waarden van evaluatiemetrics, waaronder nauwkeurigheid, herinnering, precisie en F-1 score²⁴. Alle scores behaalden meer dan 90% prestaties op de testgegevens met een vijfvoudig cv dat werd gebruikt tijdens de MLP-training.

De prestaties en geldigheid van het voorgestelde GL-RFE-framework werden verder ondersteund door visualisatietechniek.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
3D Slicer Software	Official Website	5.x	Medical image visualization, segmentation, and ROI extraction for radiomics analysis
Imbalanced-learn Package	PyPI	0.11+	Handling class imbalance (e.g., SMOTE)
Matplotlib  Package	PyPI	3.x	Plotting training curves and feature importance
NumPy Package	PyPI	1.26.x	Numerical operations and feature matrix handling
Pandas Package	PyPI	2.x	Data preprocessing and structured dataset management
PyRadiomics Package	PyPI	3.x	Extraction of radiomic features from CT images
PyTorch  Package	PyPI	2.x	Deep learning framework for MLP and gradient computation
Scikit-learn Package	PyPI	1.3.x	Model evaluation (accuracy, precision, recall, F1-score)
SciPy  Package	PyPI	1.11+	Statistical analysis and validation
Seaborn  Package	PyPI	0.13.x	Heatmaps for feature correlation analysis
Torch.nn Module	PyPI	2.x	Neural network architecture (layers, activations)
Torch.optim Module	PyPI	2.x	Optimization algorithms (e.g., Adam)