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 ....

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, pr....

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)