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

Summary

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.

Abstract

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.

Introduction

Akciğer kanseri ise başlıca kanser türlerinden biri olmaya devam etmekte olup, ciddi sağlık sorunlarına yol açıyor ve çoğu zaman ölüme^{yol açıyor 1}. Radyomik, tümör şekli, dokusu ve yoğunluk desenlerini tanımlayan büyük özellik setlerini çıkararak tıbbi görüntülerin nicel^{karakterizasyonunu 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 da

Protocol

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....

Results

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.......

Discussion

Önerilen çerçevenin sağlamlığı ve güvenilirliği, doğruluk, hatırlama, hassasiyet ve F-1^{skoru 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.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
3D Dilimleyici Yazılımı	Resmi Web Sitesi	5.x	Radyomik analizi için tıbbi görüntü görselleştirmesi, segmentasyonu ve yatırım getirisi çıkarımı
Dengesiz-öğrenme Paketi	PyPI	0.11+	Sınıf dengesizliğini yönetme (örneğin, SMOTE)
Matplotlib  Paket	PyPI	3.x	Eğitim eğrilerinin ve özellik öneminin çizilmesi
NumPy Paketi	PyPI	1.26.x	Sayısal işlemler ve özellik matrisi işleme
Pandas Paketi	PyPI	2.x	Veri ön işleme ve yapılandırılmış veri seti yönetimi
PyRadiomics Paketi	PyPI	3.x	BT görüntülerinden radyomik özelliklerin çıkarılması
PyTorch  Paket	PyPI	2.x	MLP ve gradyan hesaplama için derin öğrenme çerçevesi
Scikit-learn Paketi	PyPI	1.3.x	Model değerlendirmesi (doğruluk, hassasiyet, hatırlama, F1-puan)
SciPy  Paket	PyPI	1.11+	İstatistiksel analiz ve doğrulama
Seaborn  Paket	PyPI	0.13.x	Özellik korelasyon analizi için ısı haritaları
Torch.nn Modülü	PyPI	2.x	Sinir ağı mimarisi (katmanlar, aktivasyonlar)
Torch.optim Modülü	PyPI	2.x	Optimizasyon algoritmaları (örneğin, Adam)