解析影像组学复杂性：预测建模中实现最佳简约性的策略
图像与视频处理
2024-07-09 v1 计算机视觉与模式识别
摘要
背景：影像组学特征集的高维性、影像组学特征类型的变异性以及潜在的高计算需求，都凸显了需要一种有效的方法来识别针对特定临床问题的最小预测特征集。目的：开发一种方法和工具，以识别并解释最小的预测性影像组学特征集。材料与方法：从五个癌症数据集中提取了 89,714 个影像组学特征：低级别胶质瘤、脑膜瘤、非小细胞肺癌（NSCLC）以及两个肾细胞癌队列（n=2104）。特征按计算复杂度分为形态学、强度、纹理、线性滤波器和非线性滤波器。使用曲线下面积（AUC）在每个复杂度级别上训练和评估模型。识别出信息量最大的特征，并解释其重要性。分别使用系统统计显著性分析和错误发现规避程序识别最佳复杂度级别和相关的最具信息量的特征。使用一种新的基于树的方法解释了它们的预测重要性。结果：开发了新的开源工具 MEDimage，以促进影像组学研究。形态学特征对于基于 MRI 的脑膜瘤（AUC: 0.65）和低级别胶质瘤（AUC: 0.68）是最佳的。强度特征对于基于 CECT 的肾细胞癌（AUC: 0.82）和基于 CT 的 NSCLC（AUC: 0.76）是最佳的。纹理特征对于基于 MRI 的肾细胞癌（AUC: 0.72）是最佳的。调整 Hounsfield 单位范围改善了基于 CECT 的肾细胞癌的结果（AUC: 0.86）。结论：我们提出的方法和软件可以估计特定医疗结果的最佳影像组学复杂度级别，有可能简化影像组学在各种背景下预测建模中的应用。
引用
@article{arxiv.2407.04888,
title = {Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling},
author = {Mahdi Ait Lhaj Loutfi and Teodora Boblea Podasca and Alex Zwanenburg and Taman Upadhaya and Jorge Barrios and David R. Raleigh and William C. Chen and Dante P. I. Capaldi and Hong Zheng and Olivier Gevaert and Jing Wu and Alvin C. Silva and Paul J. Zhang and Harrison X. Bai and Jan Seuntjens and Steffen Löck and Patrick O. Richard and Olivier Morin and Caroline Reinhold and Martin Lepage and Martin Vallières},
journal= {arXiv preprint arXiv:2407.04888},
year = {2024}
}