Yöntem makalesi

Akciğer Kanseri Evresi Tespiti İçin Derin Sinir Ağının Gradient Kaybı Kullanılarak Radyomik Özellik Seçimi

DOI:

10.3791/70181

⸱

30 Nisan 2026

 ,  ,  ,  , 
1Department of Software Engineering, Bahria University, 2Global College of Engineering and Technology, 3Software Engineering & Business Incubation Center, Bahria University Karachi

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada sunulan bir derin öğrenme tabanlı özellik seçimi yöntemi, sinir ağı kaybı fonksiyonunun gradyanlarını giriş özelliklerine göre kullanarak akciğer kanseri evresi tespitini en güçlü şekilde etkileyen özellikleri belirleyip önceliklendirir.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Radyomik, tıbbi görüntülerden nicel görüntüleme biyobelirteçlerinin çıkarılmasını sağlar ve bilgisayar destekli kanser teşhisi için önemli bir araç haline gelmiştir. Ancak, radyomik veri setleri genellikle yüksek boyutlu ve sınırlı örneklem boyutlarına sahiptir, bu da özellik seçimini güvenilir öngörücü modeller oluşturmak için kritik bir adım haline getirir. Bu çalışma, akciğer kanseri evresi tespiti için en etkili radyomik özellikleri belirlemek için derin sinir ağından gradyan hassasiyet analizini entegre eden bir gradyan kaybı özyinelemeli özellik eliminasyonu (GL-RFE) çerçevesi önermektedir. 3D Dilimleyici platformunun PyRadiomics uzantısı kullanılarak göğüs bilgisayarlı tomografisi (BT) taramalarından toplam 106 radyomik özellik çıkarıldı. Önerilen yöntem, ağ kaybının giriş özelliklerine göre gradyanlarını hesaplayarak özellik önemini değerlendirir ve özellikleri minimum katkı ile özyinelemeli olarak ortadan kaldırır. Ortaya çıkan en iyi 15 radyomik özellik, erken ve ileri evre akciğer kanserini ayırt etmek için derin sinir ağı sınıflayıcısı eğitmek için kullanılır. Önerilen çerçeve, test veri setinde %90,22 doğruluk, %90,10 hassasiyet, %90,24 geri çağırma ve %90,16 F1 puanı ile güçlü sınıflandırma performansı sağlamaktadır. Korelasyon ısı haritaları ve dağılım grafikleri dahil olmak üzere görselleştirme analizleri, özellik yeketinin azaldığını ve sınıf ayrılığının arttığını daha da doğrulamaktadır. Geleneksel özellik seçimi tekniklerine kıyasla, GL-RFE doğrusal olmayan özellik etkileşimlerini etkili bir şekilde yakalar ve model genellemesini geliştirir. Sunulan protokol, radyomik tabanlı kanser evresi tespiti için tekrarlanabilir ve yorumlanabilir bir metodoloji sağlar. Özellikle yüksek boyutlu, küçük örneklemli biyomedikal veri setleri için uygundur ve genomik ile multimodal klinik analiz gibi diğer alanlarda potansiyel uygulamaları vardır.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Akciğer kanseri ise başlıca kanser türlerinden biri olmaya devam etmekte olup, ciddi sağlık sorunlarına yol açıyor ve çoğu zaman ölümeyol açıyor 1. Radyomik, tümör şekli, dokusu ve yoğunluk desenlerini tanımlayan büyük özellik setlerini çıkararak tıbbi görüntülerin nicelkarakterizasyonunu sağlar 2,3. Bu özellikler, el yapımı özellikler olarak da adlandırılır ve akciğer kanserinin teşhisi, prognozu ve tedavi yanıtı için potansiyel biyobelirteçler olarak hizmet eder. Ancak, radyomik veri setleri genellikle yüksek boyutlu ve örnek sınırlı olur; bu damodel performansını 4,5,6,7 düşüren gereksiz ve gürültülü özelliklere yol açar. Bu nedenle, verimli ve açıklanabilir özellik seçimi, sağlam radyomik tabanlı öngörücü modeller geliştirmek için hayati öneme sahiptir.

Filtre yöntemleri (ör. korelasyon analizi, varyans analizi [ANOVA], karşılıklı bilgi) ve ambalaj yöntemleri (ör. Ardışık Özellik Seçimi, Özyinelemeli Özellik Eliminasyonu) gibi geleneksel özellik seçimi yaklaşımları, radyomik tabanlı kanser tespitmodelleri 4,8,9 için yaygın olarak kullanılmaktadır. Ancak, radyomik verilerindeki doğrusal olmayan özellik etkileşimlerini vederin bağlamsal bağımlılıkları yakalamakta genellikle başarısız olurlar. Topluluk özellik öğrenme teknikleri tıbbi görüntü sınıflandırması için araştırılmış, ancak orta doğruluk elde edilmiş ve bu daha da geliştirilebilir. 12.

Derin öğrenme yöntemleri, özellikle derin sinir ağları (DNN'ler), özellikler ve sonuçlar arasında doğrusal olmayan ve hiyerarşik ilişkileri modellemede üstün bir yetenek göstermiştir; bu da onları özellik seçimini yönlendirmek ve doğru kanser tespit modelleri sağlamak için idealhale getirmiştir 13,14. Bu bağlamda, konvolüsyon sinir ağı, çoklu modal yapay zeka teknikleri ve kanser teşhisi için önceden eğitilmiş bir model olan VCG-16'nın kullanılması potansiyeliaraştırılır 1,15,16. Önden eğitilmiş VGG-19 modeli ve uzun kısa süreli bellek ağlarını (LSTM) içeren hibrit derin öğrenmemodeli 17, çok sayıda görüntü üzerinde önerildi, eğitildi ve test edildi; %99'dan fazla doğruluk elde edildi.

Kanser tespitinin yanı sıra, kanser aşamalama üzerine de araştırmalar yapılmıştır. Hugo ve ark.18 , model testlerinde %74,52 doğrulukla kanser evreleri I, II ve III'ü sınıflandırmak için 300 hastadan oluşan NSCLC veri tabanında ileriye yönelik bir besleme sinir ağı modeli tasarlamıştır. Akciğer kanseri evresi tespiti için 200 kişilik örneklem büyüklüğünde NLST veri seti kullanılarak radyomik tabanlı Bayes inversiyonyöntemi 3 sunuldu. Önerilen yöntem %86 doğruluk sağladı. Literatür incelemesi, kanser tespitiyle ilgili çoğu çalışmanın yalnızca iyi huylu ve kötü huylu tümörleri sınıflandırmaya odaklandığını ve sadece birkaçının kanser evresi sınıflandırmasına odaklandığını, oranların %90'dan az doğruluğuna sahip olduğunu ve bunun daha da iyileştirilebileceğini ortaya koymuştur. Bu araştırma makalesi, yukarıda bahsedilen araştırma boşluğunu ele almakta ve doğru akciğer kanseri evresi tespiti için sağlam bir radyomik özellik tabanlı sınıflandırma çerçevesi önermektedir.

Bu çalışmada, sinir ağlarından gradyan geri yayılmasını RFE sürecine entegre eden gradyan kaybına dayalı özyinelemeli özellik eleme (GL-RFE) çerçevesi tanıtılmıştır. Statik özellik önemi metriklerine dayanan geleneksel RFE yöntemlerinin aksine, GL-RFE her giriş özelliğine göre kayıp fonksiyonunun gradyanlarını kullanarak her özelliğin model tahminlerini ne kadar güçlü etkilediğini ölçer. Minimum gradyan katkılarıyla özellikleri yinelemeli olarak kaldırarak, sunulan model, akciğer kanseri evresi tespiti için optimize edilmiş en iyi 15 tanısal özelliğin seçilmesini gerçekleştirir (evre I ve evre II bilelik, evre IIIa ve IIIb bilez). Yapılan çalışmanın iş akışı diyagramı Şekil 1'de verilmiştir. Sunulan model için seçilen akciğer kanseri veri seti, klinik kanser evresi bilgisine sahip dijital görüntüleme ve iletişimi (DICOM) olarak adlandırılan 411 cildden oluşan NSCLC Radiomics19'dur. Her akciğer kanseri DICOM cildinin toplam 106 3D radyomik özelliği, açık kaynak yazılım olan 3D Slicer21'in bir uzantısı olan PyRadiomics20 kullanılarak çıkarılmıştır. Bu özellikler, şekil, gri seviye farkı yöntemi (GLDM), gri seviye birlikte oluşma matrisi (GLCM), birinci derece, gri seviye koşu uzunluğu matrisi (GLRLM), gri seviye boyut bölgesi matrisi (GLSZM), komşuluk gri ton farkı matrisi (NGTDM) dahil olmak üzere yedi özelliksınıfı 22'ye aittir. Azınlık sınıfının radyomik verileri (aşama I ve aşama II) sentetik azınlık aşırı örnekleme tekniği (SMOTE) kullanılarak fazla örneklendi23.

Önerilen GL-RFE çerçevesinin yeniliği, sinir ağı eğitiminden elde edilen gradyan tabanlı duyarlılık analizini özyinelemeli özellik eleme sürecine entegre etmekte yatmaktadır. Statik önem ölçütlerine dayanan geleneksel RFE yaklaşımlarının aksine, GL-RFE kayıp fonksiyonunun geriye doğru yayılan gradyanları aracılığıyla özellik alakasını dinamik olarak değerlendirir. Bu, kanser evresi için model tahminlerini doğrudan etkileyen özelliklerin tanımlanmasını sağlarken, nispeten küçük tıbbi veri setleri için yorumlanabilirlik ve hesaplamalı uygulanabilirliği korur.

Önerilen çerçevenin eğitimi ve testi için kullanılan veri seti, NSCLC Radiomics17 olarak bilinen 422 akciğer kanseri hastasının kamuya açık CT görüntüleri veri setidir. Her hasta için veri seti bir BT hacmi ve DICOM radyoterapi yapı seti (RTSTRUCT) ile bir DICOM segmentasyon (SEG) dosyasını içerir. Bu dosyalar, birincil brüt tümör hacminin (GTV-1) üç boyutlu hacminin radyasyon onkoloğu tarafından manuel olarak yapılan tanımlamaları ve akciğer görüntüsünü içerir. Veri seti önceden işlenmiş bir kümedir ve görüntülerin boyutları 512 x 512 pikseldir.

El yapımı radyomik özelliklerin doğrusal olmayan yapısı nedeniyle, bu özellikler kanser teşhisi için derin öğrenme modelleriyle doğrudan kullanılamaz ve doğal veri kalıpları yapay zeka teknikleriyle yakalanmalıdır. GL-RFE, modellerin her giriş özelliği xi'ye göre model kaybının gradyanının büyüklüğüne göre özellikleri sıralar.

Her giriş özelliği xi için ortalama mutlak gradyan aşağıdaki şekilde hesaplanır:

figure-introduction-1(1)

Burada, N toplam örnek sayısıdır. Lj , j örneği için kaybdır. xij, jörneğinin  i. özelliğidir. figure-introduction-2 kaybın giriş özelliğine göre hassasiyetini temsil eder.

Düşük gradyan büyüklüklerine sahip özellikler model güncellemeleri üzerinde minimal etkiye sahiptir ve özyinelemeli olarak ortadan kaldırılır. Çok katmanlı bir perceptron (MLP) kullanarak düşük gradyanlı radyomik özelliklerin ortadan kaldırılması ve en üst 15 özellik üzerinde derin öğrenme sinir ağı (DNN) eğitilmesi için önerilen iş akışı Şekil 1'de gösterilmiştir. GL-RFE yönteminin özellik seçimi performansı daha sonra değerlendirilir.

Bahsedilen GL–RFE yöntemiyle derin öğrenme modeli, Google Colab'taki Jupyter defterinde uygulanmıştır ve bu da çevrimiçi bir ortamda Python kodu yazılmasına ve çalıştırılmasına olanak tanır. Protokol adımlarına ve materyallere dahil edilen farklı paketler, kodu derlemek için indirilmelidir. Protokol bölümünde açıklanan yöntem kullanılarak, akciğer kanseri tespiti için en iyi 15 radyomik özellik belirlenir ve test veri setlerinde doğru kanser tespiti sağlamak için kullanılır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. 3D Dilimleyici PyRadiomics uzantısı kullanılarak radyomik özelliklerin çıkarılması

NOT: Aşağıdaki adımlar, 3D Slicer PyRadiomics uzantısı kullanılarak akciğer CT DICOM dosyasının radyomik özelliklerini hesaplamak ve virgülle ayrılmış değer (csv) formatında bir dosyada kaydetmek için tasarlanmıştır.

  1. 3D Slicer'ı kurup açın (https://download.slicer.org/'ın en son stabil sürümünü kullanın.
  2. PyRadiomics Uzantısı ve RT Dilimleyicisini kur.
    1. Menü çubuğunda, View > Extensions Manager bölümüne gidin. Sonra Radiomics veya SlicerRadiomics ile RT Slicer ara.
    2. RT Slicer ve PyRadiomics kütüphanelerini kurmak için Install tuşuna tıklayın. Kurulumdan sonra 3D Dilimleyiciyi yeniden başlatın.
  3. NSCLC RADIOMICS'i indirin.
    1. CT akciğer DICOM veri setlerini ve SEG, RTSTRUCT dosyalarını indirin https://www.cancerimagingarchive.net/collection/nsclc-radiomics/
  4. Akciğer BT DICOM verilerini yükleyin.
    1. DICOM modülüne gidin. İtiştir'e tıklayın ve RTSTRUCT modalitesinde DICOM CT dilimlerini ve SEG dosyasını içeren klasörü seçin.
    2. İçe aktardıktan sonra, hasta/çalışma/seri sayfasına çift tıklayarak Slicer sahnesine yükleyin. 3D CT hacmi görüntüleyici panelinde Şekil 2'de gösterildiği gibi görünür olmalıdır.
  5. Geometri hizasını kontrol et.
    1. Veri modülünde hem CT hacmi hem de segmentasyonu genişletin. Segmentasyonun tam olarak BT üzerinde olduğundan emin olun (hizalanma yanlış olmadan).
  6. Radyomik modülünü açın.
    1. Modül bölümünden Radyomik modülünü seçin (veya modül arama çubuğunda arayın). Giriş Görüntü Volume'de istenen CT hacmini seçin.
    2. Giriş Etiketi/Segmentasyon'da, segmentasyon düğümünü (ROI) seçin.
  7. Çıkarma özelleştirme parametrelerini ayarlayın.
    1. Yeniden Örneklenmiş piksel aralığı = [1,1,1] (izotropik vokselleri sağlar) ve Bin genişliği = 25 (CT için standart) ayarlanır. LoG çekirdek boyutu =2.0, 3.0, 4.0, 5.0 ayarlan.
  8. Özellik çıkarımı çalıştırın.
    1. Başvur seçeneğine tıklayın. Yazılım artık 3D birinci derece, şekil ve doku özelliklerini (GLCM, GLRLM, GLSZM, GLDM ve NGTDM) hesaplayacaktır. Hesaplanan tabloları doğrulamak için tabloyu Şekil 3'te gösterildiği gibi gösterin. Tüm çıkarılmış özelliklerle birlikte bir csv dosyası çıkar.
    2. Yukarıdaki işlemi NSCLC RADIOMICS veri setinden indirilen tüm DICOM hacimleri için tekrarlayın ve tek bir dosya "radiomics.csv" olarak kaydedin.

2. Python kütüphanelerini kullanarak radyomik tabanlı kanser tespit modeli geliştirmek

NOT: Aşağıdaki adımlar, bir kullanıcının BT veri setlerinin radyomik özelliklerine sahip Python Kütüphaneleri kullanarak bir kanser tespit modeli geliştirmesi, eğitilmesi ve test etmesini sağlayacak şekilde özetlenmiştir.

  1. Radyomik veri setini, her satırın bir hasta/örneği temsil edecek şekilde csv formatında biçimlendirin, her sütun ise bir özelliği temsil eder. Sınıf etiketleri için bir etiket sütunu ekleyin.
  2. Colab ortamında yeni bir Jupyter defteri açın ve aşağıdaki fonksiyon tanımlarını ve yerleşik Python fonksiyonlarını 2.3. adımda ilan ederek kod yazmaya başlayın.
  3. Pytorch, torchvision, scikit-learn, numpy, pandas matplotlib ve imbalanced-learn kodlarını Jupyter defterinin üzerine yükleme komutunu verin.
  4. Kullanıcıdan gelen bir csv dosyasını al ve x ile y değişkenlerinde depolayan files.upload() fonksiyonunu yaz.
  5. Depolanan verileri ölçekleyici = StandardScaler() ve scaler.fit_transform() fonksiyonlarıyla normalleştirin.
  6. Çok Katmanlı Perceptron fonksiyonu MLP(nn. Modül()) ve yapılandırılabilir gizli katmanlara sahiptir.
  7. MLP modelinden geri yayılım kaybını girdilerle hesaplamak için def train_epoch() bir eğitim fonksiyonu tanımlayın.
  8. Bir dizi epoch için, kaybın giriş özelliklerine göre ortalama gradyanlarını hesaplamak için def compute_input_gradients() bir fonksiyon tanımlayın ve en düşük gradyana sahip olan, yani daha az öneme sahip özelliği yinelemeli olarak düşürün, ta ki 15 özellik kalana kadar.
  9. Verileri %80 %20 oranında train_test_split() fonksiyonu kullanılarak seçilmiş 15 özellikle bölebilirsiniz. Eğitim verilerinde StratifiedKFold(n_splits=5) kullanarak 5 katlı çapraz doğrulama uygulayarak sağlamlığı garanti edin.
  10. Büyük bir MLP sinir ağı oluşturun final_model = DNN().
  11. Eğitilen modelin performansını aşağıdaki fonksiyonlarla test verileriyle değerlendirin: def plot_confusion_matrix(), accuracy_score(), precision_score(), recall_score(), f1_score(), heatmap().

3. Jupyter defterini çalıştırmak ve model oluşturmak ve test etmek

  1. Python kodunu bir Jupyter not defterinde çalıştırın. Radyomik csv dosyasının yüklenmesi için bir uyarı alınır, Şekil 4'te gösterildiği gibi.
  2. Yükle radiomics.csv.
  3. Sınıflandırma sonuçlarını ve oluşturulan grafikleri kaydet.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Veri kümesi özeti
NSCLC Radyomik veri seti, akciğer kanseri evre I, II ve III hastalarının 422 BT hacmini içerir. Erken evre kanserli BT veri setleri (I, II) 134 iken, ileri evre kanserli (IIIa, IIIb) veri örnekleri 288'dir. Veri seti, erken aşama (evre I ve evre II) vakalara kıyasla ileri aşama (aşama III) vakalarının daha fazla olması nedeniyle önemli bir sınıf dengesizliği gösterdi. Bu dengesizliği gidermek için, azınlık sınıfının temsilini artırmak amacıyla çıkarı...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Önerilen çerçevenin sağlamlığı ve güvenilirliği, doğruluk, hatırlama, hassasiyet ve F-1skoru 24 gibi yüksek değerlendirme metriklerinden açıkça görülmektedir. Tüm puanlar, MLP eğitimi sırasında kullanılan 5 katlı CV ile test verilerinde %90'ın üzerinde performans sağladı.

Önerilen GL-RFE çerçevesinin performansı ve geçerliliği görselleştirme teknikleriyle desteklendi. Şekil 7'deki korelas...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, rekabet eden finansal çıkarları olmadığını belirtirler.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Geçerli Değildir

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
3D Slicer SoftwareResmi Web Sitesi5.xTıbbi görüntü görselleştirme, segmentasyon ve radiyomik analiz için ROI çıkarımı
Imbalanced-learn PaketiPyPI0.11+Sınıf dengesizliğini işleme (örn., SMOTE)
Matplotlib  PaketiPyPI3.xEğitim eğrileri ve özellik önemi çizimi
NumPy PaketiPyPI1.26.xSayısal işlemler ve özellik matrisi işleme
Pandas PaketiPyPI2.xVeri ön işleme ve yapılandırılmış veri kümesi yönetimi
PyRadiomics PaketiPyPI3.xCT görüntülerinden radyomik özelliklerin çıkarılması
PyTorch  PaketiPyPI2.xMLP ve gradyan hesaplaması için derin öğrenme çerçevesi
Scikit-learn PaketiPyPI1.3.xModel değerlendirme (doğruluk, hassasiyet, geri çağırma, F1-skor)
SciPy  PaketiPyPI1.11+İstatistiksel analiz ve doğrulama
Seaborn  PaketiPyPI0.13.xÖzellik korelasyon analizi için ısı haritaları
Torch.nn Modülü PyPI2.xSinir ağı mimarisi (katmanlar, aktivasyonlar)
Torch.optim ModülüPyPI2.xOptimizasyon algoritmaları (örn., Adam)

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kumar, S., Singh, J., Ravi, V., Singh, P., Al Mazroa, A., et al. Deep learning and MRI biomarkers for precise lung cancer cell detection and diagnosis. Open Bioinforma J. 17, (2024).
  2. Avanzo, M., Stancanello, J., Pirrone, G. Radiomics and deep learning in lung cancer. Strahlenther Onkol. 196, 879-887 (2020).
  3. Shakir, H., Deng, Y., Rasheed, H., et al. Radiomics based likelihood functions for cancer diagnosis. Sci Rep. 9, 9501 (2019).
  4. Shakir, H., Aijaz, B., Khan, T. M., Hussain, M. A deep learning-based cancer survival time classifier for small datasets. Computers in Biology and Medicine. 160, 106896 (2023).
  5. Liu, Z., Wang, S., Dong, D., Wei, J., Fang, C., et al. Applications of radiomics in precision diagnosis and treatment of oncology: opportunities and challenges. Theranostics. 9 (5), 1303-1322 (2019).
  6. Perniciano, A., Loddo, A., Di Ruberto, C., et al. Insights into radiomics: impact of feature selection and classification. Multimed Tools Appl. 84, 31695-31721 (2025).
  7. Shakir, H., Rasheed, H., Khan, T. M. R. Radiomic feature selection for lung cancer classifiers. J Intell Fuzzy Syst. 38 (5), 5847-5855 (2020).
  8. Noroozi, Z., Orooji, A., Erfannia, L. Analyzing the impact of feature selection methods on machine learning algorithms for heart disease prediction. Sci Rep. 13, 22588 (2023).
  9. Dhal, P., Azad, C. A comprehensive survey on feature selection in various fields of machine learning. Appl Intell. 52, 4543-4581 (2022).
  10. Papadimitroulas, P., Brocki, L., Chung, N. C., Marchadour, W., Vermet, F., et al. Artificial intelligence: deep learning in oncological radiomics and challenges of interpretability and data harmonization. Phys Med. 83, 108-121 (2021).
  11. Oliveira, C., et al. Preselection of robust radiomic features does not improve outcome modelling in non-small cell lung cancer based on clinical routine FDG-PET imaging. EJNMMI Res. 11, 79 (2021).
  12. Kolukisa, B., Bakir-Gungor, B. Ensemble feature selection and classification methods for machine learning-based coronary artery disease diagnosis. Comput Stand Interfaces. 84, 103706 (2023).
  13. Chen, Z., et al. Feature selection may improve deep neural networks for the bioinformatics problems. Bioinformatics. 36 (5), 1542-1552 (2020).
  14. Roy, D., Murty, K. S. R., Mohan, C. K. Feature selection using deep neural networks. , (2015).
  15. Kapoor, V., et al. Lung cancer detection using VGG16 and CNN. , 758-762 (2023).
  16. Mishra, N., et al. A comprehensive review of CNN and multimodal AI techniques for skin and lung cancer diagnosis. , 1-4 (2025).
  17. Alsheikhy, A. A., Said, Y., Shawly, T., Alzahrani, A. K., Lahza, H. A CAD system for lung cancer detection using hybrid deep learning techniques. Diagnostics (Basel). 13 (6), 1174 (2023).
  18. Cheung, E. Y. W., et al. Overall staging prediction for non-small cell lung cancer (NSCLC): a local pilot study with artificial neural network approach. Cancers (Basel). 17 (3), 523 (2025).
  19. Hugo, A., et al. Data from NSCLC-Radiomics. The Cancer Imaging Archive. , (2015).
  20. Van Griethuysen, J. J. M., et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 77, e104-e107 (2017).
  21. Kikinis, R., Pieper, S. D., Vosburgh, K. G. 3D Slicer: A Platform for Subject-Specific Image Analysis, Visualization, and Clinical Support. Intraoperative Imaging and Image-Guided Therapy. , (2014).
  22. Lei, M., et al. Benchmarking various radiomic toolkit features while applying the image biomarker standardization initiative toward clinical translation of radiomic analysis. J Digit Imaging. 34 (5), 1156-1170 (2021).
  23. Elreedy, D., Atiya, A. F., Kamalov, F. A theoretical distribution analysis of synthetic minority oversampling technique (SMOTE) for imbalanced learning. Mach Learn. 113, 4903-4923 (2024).
  24. Opitz, J. A closer look at classification evaluation metrics and a critical reflection of common evaluation practice. Trans Assoc Comput Linguist. 12, 820-836 (2024).
  25. He, Y., et al. Integrative radiomics clustering analysis to decipher breast cancer heterogeneity and prognostic indicators through multiparametric MRI. NPJ Breast Cancer. 10, 72 (2024).
  26. Gao, J., Cheng, Y., Gao, J. Predicting sport event outcomes using deep learning. PeerJ Comput Sci. 11, e3011 (2025).
  27. Stafoggia, M., et al. Spie charts, target plots, and radar plots for displaying comparative outcomes of health care. J Clin Epidemiol. 64 (7), 770-778 (2011).
  28. Kuzudisli, C., Bakir-Gungor, B., Bulut, N., Qaqish, B., Yousef, M. Review of feature selection approaches based on grouping of features. PeerJ. 11, e15666 (2023).
  29. Tomar, D., Prasad, Y., Thakur, M. K., Biswas, K. K. Feature selection using autoencoders. , 56-60 (2017).
  30. Raptis, S., Ilioudis, C., Theodorou, K. Biomedical physics & engineering express. Biomed Phys Eng Express. 10 (3), 035016 (2024).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Akci er Kanseri TespitiYinelemeli znitelik ElemeKantitatif G r nt leme Biyobelirte leriBilgisayarl Tomografiznitelik nemiModel Genelle tirmesi

İlgili makaleler