Seleção de Características Radiômicas Usando Perda de Gradiente de Rede Neural Profunda para Detecção de Estágios de Câncer de Pulmão

Summary

Aqui é apresentado um método de seleção de características baseado em aprendizado profundo que aproveita gradientes de uma função de perda de rede neural em relação às características de entrada para identificar e priorizar aquelas que mais influenciam a detecção do estágio do câncer de pulmão.

Abstract

A radiômica permite a extração de biomarcadores quantitativos de imagem a partir de imagens médicas e tornou-se uma ferramenta importante para o diagnóstico de câncer auxiliado por computador. No entanto, os conjuntos de dados de radiômica são tipicamente de alta dimensão com tamanhos de amostra limitados, tornando a seleção de características um passo crítico para construir modelos preditivos confiáveis. Este estudo propõe uma estrutura de eliminação de características recursivas por perda de gradiente (GL-RFE) que integra análise de sensibilidade ao gradiente de uma rede neural profunda para identificar as características radiômicas mais influentes para a detecção de estágios do câncer de pulmão. Um total de 106 características radiômicas foram extraídas de tomografia computorizada torácica (TC) usando a extensão PyRadiomics da plataforma 3D Slicer. O método proposto avalia a importância das características calculando gradientes da perda da rede em relação às características de entrada e elimina recursivamente características com contribuição mínima. As 15 principais características radiômicas resultantes são usadas para treinar um classificador profundo de rede neural para distinguir câncer de pulmão em estágio inicial e estágio avançado. A estrutura proposta alcança forte desempenho de classificação, com precisão de 90,22%, precisão de 90,10%, recordação de 90,24% e pontuação F1 de 90,16% no conjunto de dados de teste. Análises de visualização, incluindo mapas de calor de correlação e gráficos de distribuição, confirmam ainda mais a redução da redundância de características e a melhora separabilidade de classes. Comparado às técnicas convencionais de seleção de características, o GL-RFE captura efetivamente interações não lineares de características e aprimora a generalização dos modelos. O protocolo apresentado oferece uma metodologia reprodutível e interpretável para a detecção de estádios do câncer baseada em radiômica. É particularmente adequado para conjuntos de dados biomédicos de alta dimensão e pequenas amostras e possui aplicações potenciais em outros domínios, como genômica e análise clínica multimodal.

Introduction

O câncer de pulmão continua sendo um dos principais tipos de câncer, levando a sérios problemas de saúde, frequentemente levando à morte¹. A radiômica permite a caracterização quantitativa de imagens médicas extraindo grandes conjuntos de características que descrevem a forma, textura e padrões de intensidade do tumor ^2,3. Essas características, também chamadas de características artesanais, servem como potenciais biomarcadores para diagnóstico, prognóstico e resposta ao tratamento do câncer de pulmão. No entanto, os conjuntos de dados de radiômica são tipicamente de alta dimensão e limitados por amostra, levando a características redundantes e ruidosas que degradam o desempenho do^modelo 4,5,6,7. Portanto, a seleção eficiente e explicável de características é crucial para desenvolver modelos preditivos robustos baseados em radiômica.

Abordagens tradicionais de seleção de características, como métodos de filtro (por exemplo, análise de correlação, análise de variância [ANOVA], informação mútua) e métodos de envolvimento (por exemplo, Seleção Sequencial de Características, Eliminação Recursiva de Características) são amplamente utilizadas para modelos de detecção de câncer baseados em^{radiômica 4,8,9}. No entanto, frequentemente falham em capturar interações não lineares de características e dependências contextuais profundas inerentes aos dados de^{radiômica 9,10,11}. Técnicas de aprendizado de características em conjunto foram exploradas para classificação de imagens médicas, mas alcançaram precisão moderada, que poderia ser ainda^{melhorada 12}.

Métodos de aprendizado profundo, especialmente redes neurais profundas (DNNs), demonstraram capacidade superior de modelar relações não lineares e hierárquicas entre características e resultados, tornando-os ideais para orientar a seleção de características e fornecer modelos precisos de detecção de câncer^13,14. Nesse contexto, o potencial do uso de uma rede neural convolucional, técnicas de IA multimodal e VCG-16, um modelo pré-treinado para diagnóstico de câncer, é^{explorado 1,15,16}. Um modelo híbrido de aprendizado profundo¹⁷, incluindo o modelo VGG-19 pré-treinado e redes de memória de curto prazo (LSTMs), foi proposto, treinado e testado em um grande número de imagens, alcançando mais de 99% de precisão.

Além da detecção do câncer, também foram realizadas pesquisas sobre estadiamento do câncer. Hugo et ^al.18 projetaram um modelo de rede neural feed-forward no banco de dados NSCLC de 300 pacientes para classificar o câncer estágios I, II e III com uma precisão de 74,52% nos testes modelos. Um método de inversão^{bayesiana baseado em radiômica, o 3}, foi apresentado para a detecção de estádios do câncer de pulmão usando o conjunto de dados NLST com um tamanho de amostra de 200. O método proposto alcançou uma precisão de 86%. A revisão da literatura revelou que a maioria dos estudos sobre detecção do câncer focou exclusivamente na classificação de tumores benignos e malignos, e apenas alguns abordaram a classificação dos estágios do câncer, com precisões inferiores a 90% que podem ser aprimoradas. Este artigo de pesquisa aborda a lacuna mencionada e propõe uma estrutura robusta de classificação baseada em características radiômicas para a detecção precisa do estágio do câncer de pulmão.

Uma estrutura de eliminação de características recursivas baseada em perda de gradiente (GL-RFE) foi introduzida neste estudo, integrando a retropropagação de gradiente de redes neurais ao processo RFE. Diferentemente dos métodos convencionais de RFE, que dependem de métricas estáticas de importância de características, o GL-RFE aproveita os gradientes da função de perda em relação a cada característica de entrada para medir o quão fortemente cada característica influencia as previsões do modelo. Ao remover iterativamente características com contribuições mínimas de gradiente, o modelo apresentado realiza a seleção de características das 15 principais características diagnósticas otimizadas para a detecção de estágios do câncer de pulmão em 2 classes (estágios I e II combinados e estágios IIIa e IIIb combinados). O diagrama do fluxo de trabalho realizado é apresentado na Figura 1. O conjunto de dados de câncer de pulmão escolhido para o modelo apresentado é o NSCLC Radiomics¹⁹, com 411 volumes de formato denominados imagem digital e comunicações em medicina (DICOM), com informações clínicas do estádio do câncer. Um total de 106 recursos de radiômica 3D de cada volume DICOM para câncer de pulmão são extraídos usando o PyRadiomics²⁰, uma extensão de um software de código aberto, o 3D Slicer²¹. Essas características pertencem a sete classes^{de características: 22}, incluindo forma, método de diferença de nível cinza (GLDM), matriz de coocorrência de nível cinza (GLCM), primeira ordem, matriz de comprimento de traço de nível cinza (GLRLM), matriz de zona de tamanho de nível cinza (GLSZM), matriz de diferença de tons de cinza de vizinhança (NGTDM). Os dados de radiômica da classe minoritária (estágio I e estágio II) foram superamostrados usando a técnica sintética de sobreamostragem de minorias (SMOTE⁾²³.

A novidade do framework GL-RFE proposto está em integrar a análise de sensibilidade baseada em gradiente derivada do treinamento de redes neurais no processo de eliminação de características recursivas. Diferentemente das abordagens convencionais de RFE que dependem de medidas estáticas de importância, a GL-RFE avalia dinamicamente a relevância das características por meio de gradientes retropropagados da função de perda. Isso permite a identificação de características que influenciam diretamente as previsões do modelo para o estágio do câncer, mantendo a interpretabilidade e a viabilidade computacional para conjuntos de dados médicos relativamente pequenos.

O conjunto de dados utilizado para o treinamento e teste do framework proposto é um conjunto de dados de imagens de TC de 422 pacientes com câncer de pulmão, conhecido como NSCLC Radiomics¹⁷. Para cada paciente, o conjunto de dados inclui um volume de tomografia computarizada, um conjunto de estruturas de radioterapia DICOM (RTSTRUCT) e um arquivo de segmentação DICOM (SEG). Esses arquivos contêm delimitações manuais realizadas por um oncologista radioterapeuta do volume tridimensional do volume tumoral primário grosso (GTV-1), bem como da imagem pulmonar. O conjunto de dados é um conjunto pré-processado, e as dimensões das imagens são 512 x 512 pixels.

Devido à natureza não linear das características radiômicas feitas à mão, essas características não podem ser usadas diretamente com modelos de aprendizado profundo para diagnóstico de câncer, e seus padrões de dados inerentes devem ser capturados usando técnicas de IA. O GL-RFE classifica características com base na magnitude do gradiente da perda do modelo L em relação a cada característica de entrada x_i.

Para cada característica de entrada x_i, o gradiente absoluto médio é calculado da seguinte forma:

(1)

Aqui, N é o número total de amostras. L_j é a perda para j^{a amostra}. x_IJ é a ^i-ésima característica da j^ésima amostra. representa a sensibilidade da perda em relação à característica de entrada.

As características com magnitudes de gradiente baixo têm impacto mínimo nas atualizações do modelo e são eliminadas recursivamente. O fluxo de trabalho proposto para eliminar as características radiômicas de baixo gradiente usando um perceptrôn multicamadas (MLP) e treinar uma rede neural de aprendizado profundo (DNN) nas 15 principais características está mostrado na Figura 1. O desempenho do método GL-RFE para seleção de características é então avaliado.

O modelo de aprendizado profundo mencionado com o método GL–RFE é implementado em um notebook Jupyter no Google Colab, que permite escrever e executar código Python em um ambiente online. Diferentes pacotes, incluídos nos passos do protocolo e nos materiais, precisam ser baixados para compilar o código. Usando o método descrito na seção de Protocolo, as 15 principais características radiômicas para a detecção do câncer de pulmão são identificadas e usadas para alcançar a detecção precisa do câncer em conjuntos de dados de teste.

Protocol

1. Extração de características radiômicas usando extensão 3D Slicer PyRadiomics

NOTA: Os seguintes passos são projetados para calcular as características radiômicas de um arquivo DICOM CT pulmonar usando a extensão 3D Slicer PyRadiomics e para salvar em um arquivo em formato de valor separado por vírgula (csv).

1. Instale e abra o 3D Slicer (use a versão estável mais recente da https://download.slicer.org/.
2. Instale a extensão PyRadiomics e o RT Slicer.
   1. Na barra de menus, vá para Visualizar > Gerenciador de Extensões. Depois, procure por Radiomics ou SlicerRadiomics e RT Slicer.
   2. Clique em Instalar para instalar as bibliotecas RT Slicer e PyRadiomics. Reinicie o 3D Slicer após a instalação.
3. Baixe a NSCLC RADIOMICS.
   1. Baixe os conjuntos de dados DICOM de tomografia computadorizada pulmonar junto com arquivos SEG e RTSTRUCT de 422 pacientes de https://www.cancerimagingarchive.net/collection/nsclc-radiomics/
4. Carregar dados DICOM da tomografia pulmonar.
   1. Vá para o módulo DICOM. Clique em Importar e selecione a pasta contendo fatias DICOM CT e seu arquivo SEG na modalidade RTSTRUCT.
   2. Após a importação, clique duas vezes no paciente/estudo/série para carregar na cena do Slicer. O volume 3D CT deve ser visível no painel de visualização, como mostrado na Figura 2.
5. Verifique o alinhamento da geometria.
   1. No módulo de Dados , expanda tanto o volume de CT quanto a segmentação. Certifique-se de que a segmentação esteja exatamente sobre a TC (sem desalinhamento).
6. Abra o módulo de Radiômica .
   1. Selecione o módulo de Radiômica na seção do módulo (ou procure por ele na barra de busca do módulo). No volume de Imagem de Entrada, selecione o volume de CT desejado.
   2. Em Etiqueta de Entrada/Segmentação, selecione o nó de segmentação (ROI).
7. Ajuste os parâmetros de personalização da extração.
   1. Defina Espaçamento de pixels reamostrados = [1,1,1] (garante voxels isotrópicos) e largura de bin = 25 (padrão para CT). Defina o tamanho do kernel do LoG =2.0, 3.0, 4.0, 5.0.
8. Execute extração de características.
   1. Clique em Aplicar. O software agora computará recursos 3D de primeira ordem, forma e textura (GLCM, GLRLM, GLSZM, GLDM e NGTDM). Exiba a tabela para verificar as tabelas calculadas conforme mostrado na Figura 3. Saia um arquivo csv com todos os recursos extraídos.
   2. Repita o processo acima para todos os volumes DICOM baixados do conjunto de dados NSCLC RADIOMICS e salve-o como um único arquivo "radiomics.csv".

2. Desenvolvimento de um modelo de detecção de câncer baseado em radiômica usando bibliotecas em Python

NOTA: Os passos a seguir são resumidos para que o usuário possa desenvolver, treinar e testar um modelo de detecção de câncer usando Bibliotecas Python com recursos radiômicos dos conjuntos de dados CT.

1. Formate o conjunto de dados de radiômica salvo no formato csv de modo que cada linha represente um paciente/amostra, e cada coluna represente uma característica. Inclua uma coluna de etiquetas para as etiquetas das classes.
2. Abra um novo notebook Jupyter no ambiente Colab e comece a escrever código declarando as definições de funções e funções Python embutidas abaixo no passo 2.3.
3. Dê o comando para instalar Pytorch, torchvision, scikit-learn, numpy, pandas matplotlib e imbalanced-learn em cima do notebook Jupyter.
4. Escreva uma função files.upload() para pegar um arquivo csv de entrada do usuário e armazená-lo em variáveis x e y.
5. Normalize os dados armazenados usando o escalador de funções = StandardScaler() e scaler.fit_transform().
6. Defina uma função de perceptron multicamada MLP(nn. Módulo()) com camadas ocultas configuráveis.
7. Defina uma função de treinamento def train_epoch() para calcular a perda de retropropagação do modelo MLP com entradas.
8. Para várias épocas, defina uma função def compute_input_gradients() para calcular gradientes médios da perda em relação às características de entrada e descarte iterativamente a característica com o gradiente mais baixo, ou seja, com menor importância, até que restem 15 características.
9. Divida os dados na proporção de 80% 20% usando a função train_test_split() com 15 recursos selecionados. Aplique uma validação cruzada de 5 vezes usando StratifiedKFold(n_splits=5) nos dados de treinamento para garantir robustez.
10. Crie uma grande rede neural MLP final_model = DNN().
11. Avalie o desempenho do modelo treinado usando dados de teste com as seguintes funções: def plot_confusion_matrix(), accuracy_score(), precision_score(), recall_score(), f1_score(), mapa de calor().

3. Executando o notebook Jupyter para construir e testar o modelo

1. Execute o código Python em um notebook Jupyter. Recebe-se um prompt para enviar o arquivo csv radiomics, como mostrado na Figura 4.
2. Envie o radiomics.csv.
3. Salve os resultados de classificação e os gráficos gerados.

Results

Resumo do conjunto de dados
O conjunto de dados de Radiomics do NSCLC compreende 422 volumes de tomografia computométrica de pacientes com câncer de pulmão estágios I, II e III. Enquanto o número de conjuntos de dados de TC com câncer em estágio inicial (I, II) é de 134, as amostras de dados com câncer em estágio avançado (IIIa, IIIb) são 288. O conjunto de dados apresentou um desequilíbrio significativo de classes, com um número maior de casos em estágio avançado (es...

Discussion

A robustez e confiabilidade da estrutura proposta são evidentes pelos altos valores das métricas de avaliação, incluindo precisão, recordação, precisão e pontuação^{F-1 24}. Todas as pontuações obtiveram desempenho superior a 90% nos dados do teste, com um CV 5 vezes empregado durante o treinamento MLP.

O desempenho e a validade do framework GL-RFE proposto foram ainda mais apoiados por técnicas de visualização. Os mapas...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Software de Fatiador 3D	Site Oficial	5.x	Visualização de imagens médicas, segmentação e extração de ROI para análise radiomítica
Pacote de Aprendizagem Desequilibrada	PyPI	0.11+	Lidar com o desequilíbrio de classe (por exemplo, SMOTE)
Matplotlib  Pacote	PyPI	3.x	Plotando curvas de treinamento e importância das características
Pacote NumPy	PyPI	1.26.x	Operações numéricas e tratamento de matrizes de características
Pacote Pandas	PyPI	2.x	Pré-processamento de dados e gerenciamento estruturado de conjuntos de dados
Pacote PyRadiomics	PyPI	3.x	Extração de características radiômicas a partir de imagens de TC
PyTorch  Pacote	PyPI	2.x	Framework de aprendizado profundo para MLP e computação de gradiente
Pacote Scikit-learn	PyPI	1.3.x	Avaliação do modelo (precisão, exatidão, recordação, pontuação F1)
SciPy  Pacote	PyPI	1.11+	Análise estatística e validação
Seaborn  Pacote	PyPI	0.13.x	Mapas de calor para análise de correlação de características
Torch.nn Módulo	PyPI	2.x	Arquitetura de redes neurais (camadas, ativações)
Módulo Torch.optim	PyPI	2.x	Algoritmos de otimização (por exemplo, Adam)