Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Prezentowany tutaj jest metoda wyboru cech oparta na deep learningu, która wykorzystuje gradienty funkcji straty sieci neuronowej względem cech wejściowych, aby zidentyfikować i uporządkować te, które najsilniej wpływają na wykrywanie stopnia raka płuc.
Radiomics umożliwia ekstrakcję ilościowych biomarkerów obrazowych z obrazów medycznych i stało się ważnym narzędziem do komputerowej diagnozy raka. Jednak zbiory danych radiomics mają zwykle dużą wymiarowość przy ograniczonych rozmiarach prób, co sprawia, że selekcja cech jest kluczowy krok w budowaniu niezawodnych modeli predykcyjnych. Niniejsze badanie proponuje ramy dla gradientowo-utratowej rekurencyjnej eliminacji cech (GL-RFE), które integrują analizę wrażliwości gradientu z głębokiej sieci neuronowej w celu zidentyfikowania najbardziej wpływowych cech radiomics do wykrywania stopnia zaawansowania raka płuc. Łącznie 106 cech radiomics zostało wyodrębnionych ze skanów tomografii komputerowej (CT) klatki piersiowej za pomocą rozszerzenia PyRadiomics platformy 3D Slicer. Proponowana metoda ocenia wagę cech poprzez obliczanie gradientów utraty sieci w odniesieniu do wejściowych cech i rekurencyjnie eliminuje cechy o minimalnym wkładzie. Wynikowe top 15 cech radiomics jest używane do trenowania klasyfikatora głębokiej sieci neuronowej w celu rozróżnienia wczesnego i zaawansowanego stadium raka płuc. Proponowana ramka osiąga mocną wydajność klasyfikacji, z dokładnością 90,22%, precyzją 90,10%, przypomnieniem 90,24% i wynikiem F1 90,16% na zestawie danych testowych. Analizy wizualne, w tym mapy cieplne korelacji i wykresy rozkładu, dodatkowo potwierdzają zmniejszenie redundancji cech i poprawę rozdzielania klas. W porównaniu z konwencjonalnymi technikami wyboru cech, GL-RFE skutecznie uchwytuje nieliniowe interakcje cech i poprawia uogólnienie modelu. Przedstawiony protokół zapewnia powtarzalną i interpretowalną metodologię wykrywania stopnia zaawansowania raka opartą na radiomics. Jest szczególnie odpowiedni dla wysokowymiarowych, małych prób danych biomedycznych i ma potencjalne zastosowania w innych dziedzinach, takich jak genomika i multimodalna analiza kliniczna.
Rak płuc pozostaje jednym z głównych typów nowotworów, stanowiąc poważne zagrożenie dla zdrowia, które często prowadzi do śmierci1. Radiomika umożliwia ilościową charakterystykę obrazów medycznych poprzez ekstrakcję dużych zestawów cech opisujących kształt, teksturę i wzorce intensywności guza2,3. Cechy te, określane również mianem cech ręcznie projektowanych (handcrafted features), służą jako potencjalne biomarkery w diagnostyce, prognozowaniu i ocenie odpowiedzi na leczenie raka płuc. Jednak zestawy danych radiomicznych są zazwyczaj wysokowymiarowe i ograniczone pod względem liczby pr....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
1. Ekstrakcja cech radiomic z użyciem rozszerzenia 3D Slicer PyRadiomics
UWAGA: Poniższe kroki są zaprojektowane, aby obliczyć cechy radiomiczne pliku DICOM TK płuc przy użyciu rozszerzenia 3D Slicer PyRadiomics i zapisać je w pliku w formacie CSV (rozdzielone przecinkami).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Podsumowanie zbioru danych
Zbiór danych radiomicznych NSCLC obejmuje 422 wolumeny TK pacjentów z rakiem płuca w stopniu I, II i III. Podczas gdy liczba zbiorów TK z rakiem we wczesnym stadium (I, II) wynosi 134, liczba próbek danych z rakiem w stadium zaawansowanym (IIIa, IIIb) wynosi 288. Zbiór danych wykazywał znaczną nierównowagę klas, z większą liczbą przypadków w stadium zaawansowanym (stopień III) w porównaniu do przypadków we wczesnym stadium (stopień I i stopień II). Aby rozwiązać problem tej.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wytrzymałość i niezawodność zaproponowanego ramowania są widoczne na podstawie wysokich wartości wskaźników ewaluacji, w tym dokładności, odzyskania, precyzji i wskaźnika F-124. Wszystkie uzyskane wyniki przekroczyły 90% wydajności na danych testowych z 5-krotnym CV zastosowanym podczas szkolenia MLP.
Wydajność i ważność zaproponowanego ramowania GL-RFE zostały dodatkowo wsparte za pomocą technik wizualizacji. Mapy korelacji25 .......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują, że nie mają żadnych konkurencyjnych interesów finansowych.
Nie dotyczy
....Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| 3D Slicer Software | Oficjalna strona | 5.x | Wizualizacja obrazów medycznych, segmentacja i wyodrębnianie ROI dla analizy radiomics |
| Imbalanced-learn Package | PyPI | 0.11+ | Obsługa braku równowagi klas (np. SMOTE) |
| Matplotlib Package | PyPI | 3.x | Wyświetlanie krzywych treningowych i ważności cech |
| NumPy Package | PyPI | 1.26.x | Operacje numeryczne i obsługa macierzy cech |
| Pandas Package | PyPI | 2.x | Przechowywanie danych i zarządzanie zbiorami danych |
| PyRadiomics Package | PyPI | 3.x | Wyodrębnianie cech radiomics z obrazów CT |
| PyTorch Package | PyPI | 2.x | Framework uczenia głębokiego dla MLP i obliczania gradientów |
| Scikit-learn Package | PyPI | 1.3.x | Ocena modelu (dokładność, precyzja, odzyskanie, wynik F1) |
| SciPy Package | PyPI | 1.11+ | Analiza statystyczna i walidacja |
| Seaborn Package | PyPI | 0.13.x | Mapy cieplne dla analizy korelacji cech |
| Torch.nn Module | PyPI | 2.x | Architektura sieci neuronowych (warstwy, aktywacje) |
| Torch.optim Module | PyPI | 2.x | Algorytmy optymalizacji (np. Adam) |
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.