Радиомический выбор признаков с использованием градиентной потери глубокой нейронной сети для обнаружения стадий рака лёгких

Summary

Здесь представлен метод выбора признаков на основе глубокого обучения, который использует градиенты функции потери нейронных сетей относительно входных признаков для выявления и приоритизации тех, которые наиболее сильно влияют на выявление стадий рака лёгких.

Abstract

Радиомика позволяет извлекать количественные биомаркеры визуализации из медицинских изображений и стала важным инструментом для компьютерной диагностики рака. Однако наборы данных радиомикрофоны обычно имеют большие размерности и ограниченные размеры выборки, что делает выбор признаков критически важным этапом для построения надёжных предиктивных моделей. В данном исследовании предлагается схема рекурсивного устранения признаков с потерей градиента (GL-RFE), интегрирующая анализ градиентной чувствительности из глубокой нейронной сети для выявления наиболее влиятельных радиомических признаков для выявления стадий рака легких. Всего было извлечено 106 радиомических признаков с помощью компьютерной томографии грудной клетки (КТ) с использованием расширения PyRadiomics платформы 3D Slicer. Предлагаемый метод оценивает важность признаков путём вычисления градиентов потерь сети относительно входных признаков и рекурсивно исключает признаки с минимальным вкладом. Полученные топ-15 радиомических признаков используются для обучения классификатора глубоких нейронных сетей для различения рака лёгких на ранних и поздних стадиях. Предлагаемая структура обеспечивает высокую классификационную эффективность: точность 90,22%, точность 90,10%, воспоминание 90,24% и результат F1 90,16% на тестовом наборе данных. Визуализационный анализ, включая тепловые карты корреляции и графики распределения, дополнительно подтверждают снижение избыточности признаков и улучшенную сепарабельность по классам. По сравнению с традиционными методами выбора признаков, GL-RFE эффективно фиксирует нелинейные взаимодействия признаков и улучшает обобщение моделей. Представленный протокол предоставляет воспроизводимую и интерпретируемую методологию для обнаружения стадий рака на основе радиомики. Он особенно подходит для биомедицинских наборов данных с крупными размерами, с малыми выборками, и имеет потенциал применения в других областях, таких как геномика и мультимодальный клинический анализ.

Introduction

Рак лёгких остаётся одним из основных видов рака, вызывая серьёзные проблемы со здоровьем и часто приводящий к^{смерти 1}. Радиомика позволяет количественно характеризуть медицинские изображения, выделяя большие наборы признаков, описывающих форму, текстуру и интенсивность^{опухоли 2,3}. Эти признаки, также называемые ручной работы, служат потенциальными биомаркерами для диагностики, прогноза и ответа на лечение рака лёгких. Однако наборы данных радиомики обычно имеют большое количество размеров и ограничены выборками, что приводит к избыточным и шумным функц....

Protocol

1. Извлечение радиомикрофонных признаков с помощью расширения 3D Slicer PyRadiomics

ПРИМЕЧАНИЕ: Следующие шаги предназначены для вычисления радиомических особенностей DICOM-файла лёгких с использованием расширения 3D Slicer PyRadiomics и сохранения в файле в формате csv.

1. Установите и откройте 3D Slicer (используйте последний стабильный релиз от https://download.slicer.org/.
2. Установите расширение PyRadiomics и RT Slicer.
   1. В меню перейдите в View > Extensions Manager. Затем ищите Radiomics или SlicerRad....

Results

Сводка по набору данных
Набор данных по радиомоике НМРЛ включает 422 тома КТ пациентов с раком лёгких стадий I, II и III. В то время как количество наборов данных КТ с ранними стадиями рака (I, II) составляет 134, выборки данных с поздней стадией рака (IIIa, IIIb) — 288. Набор даты демонстрировал значительный дисбаланс классов, с большим количеством случаев на поздней стадии (стадия III) по сравнению с случаями на ранних стадиях (стадии I и II). Для устранения этого д.......

Discussion

Надёжность и надёжность предлагаемой структуры очевидны по высоким значениям показателей оценки, включая точность, воспоминание, точность и результат^{F-1 24}. Все результаты показали более 90% результатов по данным теста, при этом во время обучения MLP применялось пятикратное резюме.

Производительность и достоверность предлагаемой структуры GL-RFE дополнительно подтверждались методами визуализации. Тепловые карты

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Программное обеспечение для 3D-слайсеров	Официальный сайт	5.x	Визуализация медицинских изображений, сегментация и извлечение ROI для анализа радиомики
Пакет небалансированного обучения	PyPI	0.11+	Обработка дисбаланса классов (например, SMOTE)
Matplotlib  Пакет	PyPI	3.x	Построение обучающих кривых и важность признаков
Пакет NumPy	PyPI	1.26.x	Численные операции и обработка матриц признаков
Пакет Pandas	PyPI	2.x	Предобработка данных и управление структурированными наборами данных
Пакет PyRadiomics	PyPI	3.x	Извлечение радиомических особенностей из КТ-изображений
PyTorch  Пакет	PyPI	2.x	Фреймворк глубокого обучения для MLP и градиентных вычислений
Пакет Scikit-learn	PyPI	1.3.x	Оценка модели (точность, точность, отзыв, оценка F1)
SciPy  Пакет	PyPI	1.11+	Статистический анализ и валидация
Seaborn  Пакет	PyPI	0.13.x	Тепловые карты для анализа корреляции признаков
Torch.nn Module	PyPI	2.x	Архитектура нейронных сетей (слои, активации)
Модуль Torch.optim	PyPI	2.x	Алгоритмы оптимизации (например, Адам)