radiómica

Scientific Reports volumen 12, Número de artículo: 9866 (2022) Citar este artículo

1809 Accesos

5 citas

7 Altmetric

Detalles de métricas

Los clasificadores de aprendizaje automático basados en radiómica han demostrado potencial para detectar metástasis óseas (BM) y para evaluar la respuesta de BM a la radioterapia (RT). Sin embargo, los modelos radiómicos actuales requieren grandes conjuntos de datos de imágenes con regiones de interés (ROI) 3D segmentadas por expertos. La segmentación completa del ROI requiere mucho tiempo y los oncólogos a menudo describen solo los campos de tratamiento de RT en la práctica clínica. Esto presenta un desafío para la investigación radiómica del mundo real. Como tal, se necesita un método que simplifique la identificación de BM pero que no comprometa el poder de la radiómica. El objetivo de este estudio fue investigar la viabilidad de los modelos radiómicos para la detección de BM utilizando ROI geométricas basadas en el centro de la lesión. Se utilizaron las imágenes de planificación-CT de 170 pacientes con cáncer de pulmón no metastásico y 189 pacientes con BM espinal. Los expertos identificaron las ubicaciones de puntos de 631 BM y 674 regiones de hueso sano (HB). Las ROI con varias formas geométricas se centraron y delinearon automáticamente en las ubicaciones identificadas, y se extrajeron 107 características radiómicas. Se evaluaron varios métodos de selección de características y clasificadores de aprendizaje automático. Nuestra canalización de radiómica basada en puntos logró diferenciar BM de HB. El enfoque de segmentación basado en el centro de la lesión simplifica en gran medida el proceso de preparación de imágenes para su uso en estudios radiómicos y evita el cuello de botella de la segmentación completa del ROI.

En los últimos años, los clasificadores de aprendizaje automático (ML) basados en radiómica han mostrado un gran potencial para su uso en la detección temprana de metástasis óseas (MO) y en la evaluación de la respuesta de la MO a la radioterapia (RT)1,2,3,4,5, 6,7,8,9,10,11,12,13,14,15,16,17,18,19,20. Sin embargo, para que sean clínicamente aceptables, los modelos radiómicos deben entrenarse con grandes conjuntos de datos de imágenes del mundo real. Esto es un desafío, ya que la segmentación 3D completa de BM en imágenes de TC de planificación requiere mucho tiempo para los oncólogos radioterápicos en el contexto clínico. A menudo, en aras del tiempo y dadas las bajas dosis utilizadas en la RT paliativa, los oncólogos radioterápicos solo delimitan los límites del campo de tratamiento cuando tratan la MO y no delimitan por completo las lesiones individuales de la MO. Como resultado, la mayoría de los estudios radiómicos de BM publicados hasta la fecha fueron entrenados y probados con tamaños de muestra relativamente pequeños (consulte la Tabla 1), lo que disminuye su generalización y su aplicabilidad a la planificación clínica de RT. Motivado por la necesidad de grandes conjuntos de datos de BM del mundo real, el objetivo de este estudio fue determinar si se puede entrenar un modelo radiómico para distinguir BM de hueso sano (HB) utilizando lesiones de BM indicadas como puntos en imágenes de CT de planificación en lugar de utilizando la segmentación 3D completa.

La radiómica es un método automatizado de generación de características para la extracción de cientos de fenotipos cuantitativos (características radiómicas) de imágenes de radiología21,22. Los algoritmos de ML se pueden entrenar para encontrar relaciones entre las características radiómicas y los resultados del cáncer si se proporcionan datos suficientes y apropiados. Hay tres pasos principales en la fase de entrenamiento de un estudio radiómico típico. Estos incluyen: (1) segmentación manual o semiautomática de regiones de interés (ROI) en imágenes de pacientes, (2) extracción de características de las ROI segmentadas y (3) generación de un modelo estadístico o ML para correlacionar características extraídas con los datos de los criterios de valoración de cada paciente, como el resultado del cáncer u otros biomarcadores medidos clínicamente8.

Además de la necesidad de tamaños de muestra adecuados, que es la principal motivación detrás de este estudio, un modelo radiómico debe superar dos desafíos importantes para ser confiable en un contexto clínico. En primer lugar, debe ser clínicamente reproducible. Esto es un desafío porque diferentes estudios radiómicos utilizan diferentes subconjuntos de características radiómicas para lograr modelos óptimos. Las variaciones en los enfoques de selección de características publicados hacen que los modelos radiómicos sean menos reproducibles clínicamente23,24. Por lo tanto, para lograr un modelo radiómico clínicamente confiable, es importante estudiar y tener en cuenta el efecto de la variación en los métodos de selección de características (FS)25,26,27.

Dependiendo del punto final de interés, se pueden usar varios clasificadores ML en un modelo radiómico. Máquina de vectores de soporte (SVM), red bayesiana (BN), regresión logística multivariante (MLR), k-vecino más cercano (kNN), árboles de decisión (DT), bosques aleatorios (RF), red neuronal (NNet) y redes neuronales convolucionales (CNN) se encuentran entre los clasificadores de ML que se utilizan con más frecuencia en los modelos de ML basados en radiómica8,9,10,11,12,13,14,15,16,17,18,19,20. La viabilidad de utilizar modelos ML basados en radiómica para distinguir entre lesiones óseas benignas y malignas se ha informado en estudios anteriores1,2,3,4,6,7. Los principales detalles de estos estudios se resumen en la Tabla 1.

Los modelos de ML basados en radiómica enumerados en la Tabla 1 no son fácilmente aplicables a nuestro contexto clínico, RT paliativa para BM, por tres razones. Primero, tienen tamaños de muestra relativamente pequeños, un problema inherente para la generalización. En segundo lugar, requieren una segmentación completa de la lesión en 3D, lo que es difícil de lograr clínicamente cuando se planifica la RT paliativa para la BM. Finalmente, fueron entrenados en imágenes adquiridas utilizando CT de diagnóstico o modalidades de imágenes híbridas, mientras que la planificación de RT paliativa se realiza principalmente en imágenes de CT de planificación (TC de simulación) solas.

Con las limitaciones anteriores en mente, en este estudio, investigamos la viabilidad de desarrollar una tubería de ML basada en radiómica rápida y confiable capaz de diferenciar entre BM y HB en imágenes de planificación de RT-TC de pacientes con cáncer utilizando solo ROI geométricos centrados en expertos. ubicaciones de puntos de lesiones identificadas. Investigamos el efecto de usar ROI con diferentes tamaños y formas geométricas. También examinamos el rendimiento de diferentes métodos de FS y clasificadores de ML para lograr la canalización de detección de BM óptima.

Las imágenes de TC de planificación de pacientes con BM y HB utilizadas en este estudio se recopilaron del Sistema de Información de Oncología de nuestra institución. Nuestro procedimiento de selección de pacientes se presenta en la figura 1.

Diagrama de flujo de selección de pacientes.

Las muestras de BM fueron de pacientes que recibieron RT paliativa para una neoplasia maligna secundaria de hueso en la columna torácica entre enero de 2016 y septiembre de 2019. Las muestras de HB fueron de personas que recibieron RT curativa para cáncer de pulmón no metastásico (ya que sus imágenes de TC cubrieron la misma anatomía) durante este período.

En total, encontramos 189 pacientes con BM (96 hombres y 93 mujeres; edad media ± desviación estándar (DE), 69 ± 13 años) y 1474 pacientes con HB en nuestra base de datos. Para reducir el gran desequilibrio entre el número de pacientes con BM y HB, mezclamos aleatoriamente la muestra de HB (en un archivo de Microsoft Excel) y seleccionamos los primeros 170 pacientes (86 hombres y 84 mujeres; edad media 71 ± 12 años) para incluir en nuestro estudio (ver Fig. 1).

Todas las imágenes de TC de planificación se generaron utilizando uno de los tres escáneres de TC Brilliance Big Bore RT de Philips en nuestra institución con los parámetros de adquisición proporcionados en la Tabla 2. Los archivos DICOM de TC de planificación se desidentificaron manualmente y se exportaron a un disco duro protegido desde el Software de planificación de tratamientos de radioterapia Eclipse (Varian Medical Systems, Palo Alto, California), al que se habían importado previamente para la planificación de RT.

Capturas de pantalla de nuestra aplicación web de etiquetado de lesiones diCOMBINE 3D que muestran puntos etiquetados por expertos. (a) Una lesión de BM, y (b) un punto HB. Las secciones transversales de regiones de interés esféricas de 50 mm, 30 mm, 20 mm y 15 mm se visualizan con líneas discontinuas amarillas en cada plano CT.

Las imágenes de TC de planificación de los pacientes con BM se dividieron aleatoriamente en cinco conjuntos utilizando Python |random.shuffle| y se cargaron en nuestra aplicación web de visualización DICOM 3D personalizada (diCOMBINE28) para identificar lesiones. diCOMBINE es un software de código abierto desarrollado por nuestro grupo que utiliza el marco Python Flask29 para visualización DICOM 3D y etiquetado de ubicación de puntos de lesión. Los puntos centrales de las lesiones de BM fueron etiquetados por un equipo de expertos compuesto por un oncólogo radioterápico y cuatro becarios de oncología radioterápica. Se pidió a cada experto que etiquetara los puntos centrales de BM en uno de los cinco conjuntos de datos, y se encargó a un experto colega que los revisara y validara las etiquetas. De este modo, se identificaron un total de 631 puntos centrales de BM validados en el conjunto de datos de BM. De manera similar, las imágenes de CT de planificación de los pacientes con HB se dividieron aleatoriamente en tres conjuntos y se cargaron en diCOMBINE para el etiquetado de HB. Se pidió a un físico médico del personal ya dos estudiantes graduados de física médica que identificaran los puntos HB en uno de los conjuntos de datos cada uno. Al identificar los puntos HB, se instruyó a los físicos médicos para evitar complicaciones esqueléticas no metastásicas (como lesiones óseas tratadas quirúrgicamente). Se identificaron un promedio de cuatro puntos HB en cada imagen de planificación-CT. Luego, le pedimos a cada físico que revisara y confirmara de forma independiente los puntos HB que uno de sus compañeros había etiquetado. De esta forma se identificaron un total de 674 puntos HB validados. En la figura 2 se presentan capturas de pantalla de nuestra aplicación web de etiquetado de lesiones diCOMBINE 3D. Estos puntos BM y HB se usaron como puntos centrales para nuestra delineación automatizada de ROI.

Los ROI se delinearon automáticamente en las imágenes CT de planificación utilizando formas geométricas centradas en las ubicaciones de puntos identificadas por expertos. Utilizamos cuatro ROI esféricos (SP) y cinco cilíndricos a lo largo del eje z (CY) de varios tamaños. Las características de las ROI utilizadas se especifican en la Tabla 3. Los rangos de tamaño se definieron para extenderse desde el tamaño de una gran lesión ósea (\(\sim\)15 mm)30 hasta el tamaño máximo de una vértebra espinal (\(\ si\) 50 mm)31,32.

El flujo de trabajo de exploración para desarrollar nuestros modelos ML basados en radiómica para clasificar huesos espinales metastásicos (BM) y sanos (HB). La canalización con mejor rendimiento, como se describe en "Resultados", está resaltada en verde.

El paquete pydicom (https://pydicom.github.io/pydicom/stable/) se usó para leer imágenes DICOM CT y normalizar los datos de píxeles a unidades Hounsfield. Luego, los cortes de CT normalizados se almacenaron como datos ráster 3D utilizando el paquete pynrrd (versión 0.4.2) (https://pypi.org/project/pynrrd/0.4.2/). El paquete pynrrd también se usó para generar máscaras binarias 3D a partir de cada una de las nueve regiones de interés enumeradas en la Tabla 3. Finalmente, se usó el paquete PyRadiomics de código abierto (versión 3.0.1)33 para calcular las características radiómicas cuantitativas 3D. Para cada una de las nueve regiones de interés enumeradas en la Tabla 3, extrajimos 107 características radiómicas de cada una de las imágenes de CT de planificación. No aplicamos ningún filtro antes de la extracción de funciones. Estas 107 características incluyen 18 de primer orden, 14 de forma, 24 de matriz de coocurrencia de nivel de gris (GLCM), 16 de matriz de zona de tamaño de nivel de gris (GLSZM), 16 de matriz de longitud de ejecución de nivel de gris (GLLRM), 14 de matriz de dependencia de nivel de gris (GLDM) , y cinco funciones de Matriz de diferencia de tonos de gris vecina (NGTDM)34,35. También agregamos funciones radiómicas de múltiples ROI para definir cuatro ROI de conjunto, que incluyen; (1) E4SP: 428 características extraídas de las cuatro ROI esféricas, (2) E4CY: 428 características extraídas de las primeras cuatro ROI cilíndricas, (3) E5CY: 535 características extraídas de las cinco ROI cilíndricas y (4) E9SC: 963 características extraídas de los nueve ROI combinados. Nuestro fundamento para este enfoque fue que al agregar características extraídas de ROI con varios tamaños alrededor de los centros de BM, pudimos extraer suficiente información sobre la forma, el tamaño y otras características de los BM y distinguirlos de los HB utilizando clasificadores ML. Se utilizaron enfoques de agregación de características similares en otros estudios36,37.

Nuestro flujo de trabajo completo de aprendizaje automático basado en radiómica se presenta en la Fig. 3. Después de extraer características de radiómica para cada ROI, escalamos el espacio de características utilizando la normalización de puntuación z38. Luego, dividimos aleatoriamente el conjunto de datos en conjuntos de entrenamiento y prueba estratificados al 70% y al 30%, respectivamente. Cada conjunto estratificado contenía aproximadamente la misma proporción de muestras de BM/HB que el conjunto de datos inicial. El conjunto de entrenamiento se usó para el desarrollo del modelo FS y ML usando una validación cruzada de 5 veces39. El conjunto de prueba se utilizó para la evaluación final del rendimiento. En el presente estudio, examinamos el desempeño de 13 métodos FS y 12 clasificadores ML como se muestra en la Fig. 3 y se describe en las siguientes secciones.

Radiomics calcula cientos de características a partir de imágenes y algunas de ellas son redundantes o no son útiles para detectar BM40. Para identificar las características radiómicas más útiles para diferenciar BM y HB, investigamos varios métodos de FS supervisados y no supervisados, incluido el análisis de componentes principales41 (PCA), el análisis rápido de componentes independientes42 (Fast ICA), el umbral de varianza cero43 (VT\(\_\) 0), umbral de varianza cercano a cero43, algoritmo de regresión logística del operador de selección y contracción mínima44 (LASSO), eliminación recursiva de características con validación cruzada45 (RFECV) y selección de características basada en árboles de decisión46 (TREE). Para el PCA, motivado por Zack et al.9, utilizamos 20, 24 y 30 características. Para el método LASSO, examinamos los valores de penalización por mínimos cuadrados (\(\alpha\)) de 0.1, 0.5 y 1.0. \(\alpha\) controla la estabilidad de las características seleccionadas. Un método LASSO con un \(\alpha\) más grande mantiene menos características (las más estables)44. Para una varianza cercana a cero, seleccionamos el umbral de varianza de 0.8 (VT\(\_\)0.8) como lo usa Zack et al.9. Las técnicas de FS se implementaron utilizando el módulo de selección de funciones Python scikit-learn47 (versión 0.24.2) (https://scikit-learn.org/stable/modules/feature_selection.html). El rendimiento de estos métodos FS, junto con ningún FS, se evaluó luego utilizando 12 clasificadores ML supervisados.

El paquete Python scikit-learn ML (versión 0.20.4)48 se utilizó para implementar nuestros clasificadores ML. Utilizamos 12 modelos de clasificación supervisada, incluida la máquina de vector de soporte lineal49 (L-SVM), SVM con kernel de función de base radial49 (SVM), Gaussian Naive Bayes50 (NB), K-Nearest Neighbors51 (kNN), Quadratic Discriminant Analysis52 (QDA ), Gaussian Process Regression53 (GPR), Decision Tree54 (DT), Random Forest55 (RF), Bagging55, AdaBoost55, Red neuronal con solucionador basado en gradiente estocástico56,57 (NNet) y NNet con memoria limitada Broyden-Fletcher-Goldfarb- Shanno solver58 (NNet-LBFGS). Para ambos clasificadores NNet, utilizamos la función de activación de la unidad lineal rectificada59 (RELU).

El rendimiento de nuestros modelos ML basados en radiómica se midió utilizando el conjunto de datos de prueba. El error estándar de los cálculos se informó utilizando una validación cruzada de 5 veces en el conjunto de datos de entrenamiento. Utilizamos el área bajo la curva característica operativa del receptor60 (AUC) para la evaluación del rendimiento. Además, informamos la precisión y la recuperación de nuestra tubería de mejor rendimiento. Matplotlib (versión 3.4.3)61 se utilizó para generar figuras.

Este estudio retrospectivo fue aprobado por la Junta de Ética en Investigación del Centro de Salud de la Universidad McGill, Montreal, Quebec, Canadá, con la renuncia al consentimiento informado. Confirmamos que todas las investigaciones se realizaron de acuerdo con las pautas y regulaciones pertinentes.

Un archivo JSON de los metadatos de las características radiómicas extraídas está disponible en el conjunto de datos complementario en nuestro repositorio público62. El rendimiento predictivo de los diferentes métodos FS y clasificadores ML se evaluó para cada ROI en el conjunto de prueba utilizando las puntuaciones AUC, precisión, recuperación y F-1. En la Fig. 4 se presentan ejemplos de curvas de características operativas del receptor (ROC) para los clasificadores ML a) NB (un rendimiento deficiente), b) RF (un buen rendimiento) y c) GPR (el mejor rendimiento) en los datos de prueba conjunto (cuadrados rojos) y conjunto de validación de 5 veces (líneas rosas) utilizando ROI esférico de 20 mm (SP20) sin FS. Tenga en cuenta que el SP ROI de 20 mm se seleccionó con fines de visualización a lo largo de este documento sin ningún motivo en particular. El efecto del uso de varias ROI geométricas se presentará más adelante en este documento. Los valores de datos sin procesar, incluidas matrices de confusión, gráficos ROC y tablas de rendimiento (valores de precisión, recuperación, F-1, ROC-AUC en conjuntos de entrenamiento, validación y prueba) para todos los clasificadores de ML en todos los ROI se proporcionan en la carpeta de datos de salida en nuestro repositorio público62.

Ejemplos de curvas ROC para nuestros modelos ML basados en radiómica con los clasificadores (a) NB, (b) RF y (c) GPR ML Ejemplos de curvas ROC para nuestros modelos ML basados en radiómica con los clasificadores (a) NB, (b) RF , y (c) clasificadores GPR ML en el conjunto de entrenamiento (líneas negras) y en el conjunto de prueba (cuadrados rojos). El rango gris representa la ROC media ± SD de la validación cruzada de 5 veces utilizada en el conjunto de entrenamiento. Matplotlib (versión 3.4.3) (https://pypi.org/project/matplotlib/3.4.3/) se utiliza para visualizar los datos. Usamos un ROI esférico de 20 mm (SP20) sin FS para este ejemplo. Los valores de AUC se presentan en las leyendas. El SP ROI de 20 mm se utilizó con fines de visualización. Los datos completos están disponibles en el conjunto de datos complementario62.

La cuadrícula AUC para diferentes clasificadores ML (eje x) y combinaciones de métodos FS (eje y). El número delante de cada método PCA o FastICA es el número de funciones seleccionadas utilizadas. El número delante de cada método LASSO corresponde al valor de penalización \(\alpha\) (el valor predeterminado es 0,5). El número delante de cada método VT es su valor de umbral de varianza. Matplotlib (versión 3.4.3) (https://pypi.org/project/matplotlib/3.4.3/) se utiliza para visualizar los datos.

En la Fig. 5 se presenta un ejemplo de una cuadrícula AUC para diferentes combinaciones de clasificadores ML y métodos FS para el ROI SP de 20 mm. Como se puede ver en la Fig. 5, los clasificadores GPR y NNet con los métodos LASSO FS lograron los mejores resultados. Los métodos RFECV, VT, LASSO y TREE FS superaron a los métodos PCA e ICA FS. En general, FS no tuvo mucho efecto en el rendimiento de los modelos para el ROI de 20 mm. Por ejemplo, para el clasificador GPR ML, el rendimiento de nuestro modelo aumentó solo un 2 % (de 93 a 95 %) con el método LASSO en comparación con ningún FS (NINGUNO).

La cuadrícula AUC para diferentes combinaciones de clasificadores ML (eje x) y ROI geométricos (eje y) con varios tamaños y formas (a) sin método FS y (b) con LASSO como método FS.

En la Fig. 6 se presentan dos ejemplos del efecto de usar ROI geométricas con diferentes tamaños y formas. Para la gráfica (a), no usamos FS. Para la gráfica (b), usamos el método FS de mejor rendimiento (LASSO). Como se puede ver en la Fig. 6, el tamaño del ROI tuvo un efecto significativo en el rendimiento de nuestros modelos ML basados en radiómica. En general, un ROI más pequeño resultó en un rendimiento superior de los modelos. Por ejemplo, para el clasificador GPR sin FS (la columna más a la derecha de la Fig. 6a), el AUC mejoró del 86 al 94 % cuando pasamos del SP50 al SP15 ROI. SP15 dio como resultado el mejor rendimiento general cuando no se utilizó FS. Cuando empleamos métodos FS, los ROI del conjunto (como E4SP y E9SC) superaron a los ROI de un solo tamaño. Esto fue más pronunciado para el método LASSO, que se presenta en la Fig. 6b. Las cuadrículas AUC para otros métodos FS se proporcionan en la carpeta de datos de salida en nuestro repositorio público62.

La comparación de las figuras 6a y 6b reveló que algunos clasificadores de ML (como SVM o GPR) eran más sensibles al uso de FS que otros (como NNet o RF). Además, notamos que FS era más importante cuando se usaban ROI grandes (como SP50 o CY50) o ROI de conjunto (como E4SP o E9SC).

Un ejemplo de AUC versus el volumen del ROI para (a) ROI geométricos simples y (b) para ROI de conjunto (Ref. Tabla 3). Para este gráfico, usamos nuestro clasificador ML de mejor rendimiento (GPR), con nuestro método FS de mejor rendimiento (LASSO) y sin el método FS.

Para visualizar el efecto del tamaño del ROI en el rendimiento de nuestros modelos, en la Fig. 7 mostramos las AUC de nuestro clasificador ML (GPR) de mejor rendimiento para (a) ROI geométricos únicos (ordenados por volumen), y (b) para ROI de conjuntos (ordenados por volumen total). Para mostrar el efecto del uso de FS, trazamos los resultados sin FS (círculos azules) y con nuestro método FS de mejor rendimiento (LASSO) (cuadrados rojos). Se puede ver que un ROI más pequeño resultó en un mejor desempeño. Además, FS fue más importante para ROI más grandes (como SP50 y CY50) y ROI de conjuntos (como E9SC).

La cuadrícula de puntaje F-1 para diferentes combinaciones de clasificadores ML (eje x) y ROI (eje y) con diferentes tamaños y formas con el método LASSO FS.

La cuadrícula de las puntuaciones F-1 para el método FS de mejor rendimiento (LASSO) se presenta en la Fig. 8. Los clasificadores GPR, NNet y L-SVM lograron una puntuación F-1 de 0,9 en la detección de BM utilizando las ROI del conjunto. El AUC, la precisión, la recuperación y la puntuación F1 de nuestra canalización de mejor rendimiento, correspondiente al E9SC ROI, el método LASSO FS y el clasificador GPR ML, fueron del 96 %, 92 %, 91 % y 0,9, respectivamente. El rendimiento de nuestros modelos para todas las combinaciones de métodos FS, clasificadores ML y ROI se proporciona en el conjunto de datos complementario62.

En este estudio, investigamos la viabilidad de usar un ROI geométrico basado en un solo punto para desarrollar una canalización de radiómica para distinguir las ubicaciones de BM y HB en imágenes de CT de planificación de pacientes con cáncer con BM. Investigamos varios métodos de FS y clasificadores de ML utilizando ROI geométricos basados en puntos con varias formas y tamaños.

El tiempo y el esfuerzo necesarios para la segmentación 3D manual del ROI son limitaciones significativas para lograr grandes conjuntos de datos de imágenes del mundo real. Esto, a su vez, dificulta la generación de modelos63 de ML de pronóstico generalizables basados en radiómica para su uso en la clínica. Otra limitación de la segmentación manual de lesiones es la variabilidad entre observadores, que ha demostrado tener un impacto significativo en el rendimiento y la reproducibilidad de las canalizaciones basadas en radiómica64. Además, las herramientas de segmentación manual, diseñadas para la planificación del tratamiento de radioterapia, pretenden cargar un paciente a la vez. Por lo tanto, el cambio entre pacientes es otro proceso lento que ralentiza la delineación de la lesión para múltiples pacientes en el contexto de la investigación65.

Nuestra herramienta de identificación de lesiones y visualización DICOM 3D de código abierto desarrollada internamente (diCOMBINE28) permitió a nuestros oncólogos radioterápicos colaboradores revisar rápidamente las imágenes de CT de planificación de varios cientos de pacientes e identificar de manera eficiente 676 centros de BM. Descubrieron que diCOMBINE era rápido y fácil de usar, lo que permitía a cada experto etiquetar alrededor de 150 lesiones por hora. Según la experiencia anecdótica de nuestros expertos, la delineación geométrica del ROI basada en un solo punto fue de 10 a 15 veces más rápida que la segmentación 3D manual completa. Estos centros de lesión se utilizaron para generar ROI automáticamente. La definición de ROI geométricos basados en puntos, en lugar de la segmentación manual en 3D completa de los ROI, nos permitió generar rápidamente un gran conjunto de muestras, minimizar las incertidumbres impuestas por expertos e investigar el efecto del tamaño y la forma de los ROI en el rendimiento de nuestra radiómica. modelos Además, nuestros modelos radiómicos basados en puntos nos permitirán estudiar la viabilidad de construir una tubería de identificación de BM automatizada. Hasta donde sabemos, no se han publicado previamente estudios sobre la delineación automatizada de BM.

Radiomics extrae cientos de características de un ROI. Sin embargo, estas características generalmente están altamente correlacionadas y contienen mucho ruido. Por lo tanto, es esencial aplicar métodos de FS adecuados para lograr una tubería de ML sólida basada en radiómica. Entre los siete métodos FS que examinamos en este estudio, encontramos que PCA e ICA dieron como resultado valores de AUC más bajos que los métodos VT, LASSO y TREE FS. Una de las razones de esta diferencia fue que los métodos VT, LASSO y TREE definieron automáticamente la cantidad óptima de características, mientras que en PCA e ICA, la cantidad de características estaba predefinida. Para características altamente correlacionadas, el número óptimo de características (f) es aproximadamente proporcional a la raíz cuadrada del tamaño de la muestra (n)66. En consecuencia, 30 características parecerían ser menos que la cantidad óptima de características para nuestro tamaño de muestra (\(f=\sqrt{n}=\sqrt{1305}=36\)). Para estudios con tamaños de muestra pequeños, como Zhang et al.9, que utilizaron 112 muestras, PCA con 10 características parece ser un método de FS adecuado. También notamos que el efecto del método FS depende del clasificador ML seleccionado. Para los clasificadores de ML que tenían métodos FS incorporados (es decir, RF y NNet), la aplicación de métodos FS en algunos casos empeoró el rendimiento general del modelo. Inversamente, para los clasificadores ML que no tenían métodos FS integrados (es decir, GPR), agregar FS tuvo un efecto significativo en el rendimiento del clasificador ML. El efecto del método FS fue más significativo cuando se trabajó con ROI de conjuntos que tenían muchas más funciones. Por ejemplo, el valor de AUC para el clasificador GPR ML que utiliza E9SC ROI (963 funciones) mejoró de 0,52 a 0,97 cuando se utilizó el método LASSO FS, como se muestra en la Fig. 6.

Entre los métodos de ML que examinamos en este estudio, encontramos que GPR, NNet, SVM y RF dieron como resultado los valores de AUC y puntajes F-1 más altos. Mostramos que el clasificador GPR superó al clasificador NNet para la mayoría de los ROI. Sin embargo, para los ROI de conjunto (en los que la cantidad de características era grande), GPR requería un método FS adecuado (es decir, LASSO). La cuestión de la dimensionalidad de los clasificadores GPR y su requisito de FS también se discutió en la literatura67,68.

Descubrimos que nuestros modelos ML basados en radiómica funcionaron ligeramente mejor en ROI esféricos en comparación con ROI cilíndricos de volúmenes similares. Más significativamente, encontramos que los ROI más pequeños (15 y 20 mm) dieron como resultado un mejor rendimiento en comparación con los ROI más grandes (30 y 50 mm) (Fig. 6). Esto podría deberse al hecho de que en las regiones de interés más grandes probablemente haya más características atípicas capturadas del hueso o de los órganos/tejidos que rodean la lesión de interés. El rendimiento de nuestros modelos no mejoró considerablemente al disminuir el tamaño del ROI por debajo de 20 mm, que es aproximadamente el tamaño de una gran lesión de MO30. Como se puede ver en la Fig. 7, nuestros modelos se desempeñaron mejor en los ROI del conjunto en comparación con el ROI único cuando se usa con métodos FS. Esto podría deberse a que tiene muchas funciones en los ROI del conjunto. Por ejemplo, el ROI de E9SC contiene 9\(\times\)107 = 963 funciones. Para un espacio de características tan prominente, los métodos FS se vuelven muy importantes.

Aunque anteriormente se han desarrollado e informado varios proyectos radiómicos para clasificar las lesiones óseas, nuestro proyecto ML basado en radiómica, que se informa aquí, ofrece varias ventajas en comparación con los esfuerzos anteriores, principalmente en el contexto de la planificación de la radioterapia paliativa. Primero, pragmáticamente, usamos imágenes de CT de planificación de pacientes con cáncer para extraer características radiómicas, mientras que estudios anteriores usaron modalidades híbridas o imágenes de CT de diagnóstico (como se enumeran en la Tabla 1). Las modalidades híbridas permiten el desarrollo de pipelines de pronóstico de alta calidad. Sin embargo, estas canalizaciones son menos aplicables clínicamente en la planificación del tratamiento de radioterapia paliativa para la BM, que a menudo se basa principalmente en la tomografía computarizada de planificación del paciente. En segundo lugar, todos los clasificadores de ML presentados en los estudios anteriores estaban restringidos a la segmentación 3D completa de los volúmenes de las lesiones. En el flujo de trabajo clínico del mundo real para la radioterapia paliativa de BM, es común usar una planificación de tratamiento basada en un solo corte o en el centro de la lesión con oncólogos radiólogos que a menudo definen los límites del campo de tratamiento en lugar de los contornos de la lesión. Por lo tanto, las canalizaciones que requieren una segmentación 3D completa del ROI tienen una aplicación limitada en la radioterapia paliativa del mundo real65. Además, la segmentación 3D del ROI es un cuello de botella que requiere mucho tiempo y probablemente obligó a todos los estudios anteriores a entrenar y probar sus canalizaciones radiómicas con tamaños de muestra limitados. El entrenamiento en un tamaño de muestra pequeño disminuye la generalización y la aplicabilidad clínica de una tubería de radiómica. En comparación, nuestra canalización basada en puntos nos permitió evitar el paso de segmentación manual que requiere mucha mano de obra y entrenar y probar nuestra canalización en un gran conjunto de datos. Finalmente, en este estudio, investigamos los efectos de los métodos FS y los clasificadores ML para lograr el modelo de pronóstico óptimo utilizando ROI geométricos. Hasta donde sabemos, ningún estudio previo realizó una optimización tan completa.

Nuestro estudio tiene algunas limitaciones. Primero, seleccionamos BM y HB de dos conjuntos de pacientes separados. Esta selección podría generar el riesgo de susceptibilidad potencial al sesgo si existe una diferencia sistemática entre los dos conjuntos de imágenes. Sin embargo, nuestra justificación para utilizar pacientes con cáncer no metastásico para seleccionar HB fue eliminar la posibilidad de error en el etiquetado de HB por parte de nuestros físicos médicos. En segundo lugar, nuestros físicos médicos colaboradores no pudieron identificar complicaciones esqueléticas no metastásicas de lesiones óseas metastásicas. Por lo tanto, las complicaciones esqueléticas no metastásicas (es decir, lesiones extirpadas quirúrgicamente o islas óseas) se ignoraron al etiquetar los puntos HB. Una solución para este problema sería usar datos patológicos para identificar lesiones metastásicas y no metastásicas, pero esto aumentaría significativamente el esfuerzo requerido. En tercer lugar, utilizamos un conjunto de datos casi equilibrado de pacientes con HB y BM en este estudio. Sin embargo, tener una relación de muestra desequilibrada es común en muchos conjuntos de datos de resultados de oncología radioterápica del mundo real69,70. Se requiere un estudio con un conjunto de datos desequilibrados para evaluar el efecto del desequilibrio de la muestra al construir modelos ML basados en radiómica del mundo real de alto rendimiento71,72,73. En cuarto lugar, si bien el uso de ROI geométricos simplificó significativamente el procedimiento de delineación de lesiones, ignoró algunos detalles de la lesión, como el tamaño y la forma. Una alternativa que se puede explorar como trabajo futuro es utilizar la segmentación del ROI basada en el aprendizaje profundo. Finalmente, utilizamos imágenes de CT de planificación de un solo centro de 359 pacientes en este estudio retrospectivo. Se requiere un estudio multicéntrico con un conjunto de datos más extenso para probar la capacidad de generalización de nuestra tubería radiómica. Un conjunto de datos tan grande nos permitiría probar clasificadores de ML de aprendizaje profundo más robustos74,75 para construir una herramienta de IA para escanear las imágenes de TC de planificación de los pacientes e identificar las lesiones de BM automáticamente. El presente trabajo proporciona una fuerte motivación para llevar a cabo un estudio multicéntrico de este tipo.

Demostramos que nuestros modelos ML basados en radiómica pueden distinguir con éxito entre huesos metastásicos y sanos en imágenes de TC de planificación utilizando ROI geométricos basados en el centro de la lesión. Nuestros resultados sugieren que el clasificador GPR con ROI de conjunto es particularmente prometedor para la diferenciación de BM y HB. El rendimiento óptimo de la tubería se obtuvo utilizando métodos de FS basados en eliminación, como LASSO. Nuestros resultados demuestran que las características radiómicas obtenidas a partir de una ROI geométrica basada en el centro de la lesión pueden ser suficientes para entrenar clasificadores de ML basados en radiómica para distinguir entre lesiones óseas cuando no se dispone de ROI segmentadas en 3D completas. Esto abre la puerta a la investigación de inteligencia artificial de big data para pacientes con cáncer con BM.

El conjunto de datos de apoyo se proporciona como un repositorio figshare62. Este repositorio contiene tres archivos: (1) archivo "featurespace_metadata.json.zip" que incluye características radiómicas extraídas de 1273 lesiones espinales (sanas o metastásicas) de imágenes de TC de planificación de radioterapia usando regiones geométricas de interés (ROI). (2) Carpeta "output.zip" que contiene los resultados de nuestros modelos de aprendizaje automático basados en radiómica que fueron validados y probados usando varios FS y ML en ROI geométricos basados en un solo punto con varias formas y tamaños. (3) Un archivo README.md que se proporciona para explicar la información sobre la estructura de datos y los patrones de nombres de archivos.

Perk, T. et al. Clasificación automatizada de lesiones benignas y malignas en imágenes 18 F-NaF PET/CT mediante aprendizaje automático. física Medicina. Biol.https://doi.org/10.1088/1361-6560/AAEBD0 (2018).

Artículo PubMed Google Académico

Suhas, MV & Mishra, A. Clasificación de lesiones óseas benignas y malignas en imágenes de TC utilizando bosques aleatorios. En la Conferencia internacional IEEE de 2016 sobre tendencias recientes en electrónica, tecnología de la información y la comunicación, RTEICT 2016-Proceedings 1807–1810. https://doi.org/10.1109/RTEICT.2016.7808146 (2017).

Acar, E., Leblebici, A., Ellidokuz, BE, Başbinar, Y. & Kaya, GC Aprendizaje automático para diferenciar la lesión ósea esclerótica metastásica y completamente respondida en el cáncer de próstata: un estudio radiómico retrospectivo. británico J. Radiol.https://doi.org/10.1259/bjr.20190286 (2019).

Artículo PubMed PubMed Central Google Académico

Suhas, MV y Kumar, R. Clasificación de lesiones óseas benignas y malignas en imágenes de TC utilizando una máquina de vectores de soporte: una comparación de las funciones del núcleo. En la Conferencia internacional IEEE de 2016 sobre tendencias recientes en electrónica, tecnología de la información y la comunicación, RTEICT 2016-Proceedings 821–824. https://doi.org/10.1109/RTEICT.2016.7807941 (2017).

Homayounieh, F. et al. Segmentación semiautomática y radiómica para TC de energía dual: un estudio piloto para diferenciar lesiones hepáticas benignas y malignas. Soy. J. Roentgenol.https://doi.org/10.2214/AJR.19.22164 (2020).

Artículo Google Académico

Hong, JH et al. Desarrollo y validación de un modelo radiómico para diferenciar islas óseas y metástasis óseas osteoblásticas en TC abdominal. Radiología 299, 626–632. https://doi.org/10.1148/RADIOL.2021203783/ASSET/IMAGES/LARGE/RADIOL.2021203783.VA.JPEG (2021).

Artículo PubMed Google Académico

Sun, W. et al. Un nomograma radiómico basado en TC para distinguir entre tumores óseos benignos y malignos. Imágenes del cáncer 21, 1–10. https://doi.org/10.1186/S40644-021-00387-6/FIGURES/4 (2021).

Artículo Google Académico

Vial, A. et al. El papel del aprendizaje profundo y la extracción de características radiómicas en el modelado predictivo específico del cáncer: una revisión. Traducir Cáncer Res. 20, 20. https://doi.org/10.21037/21823 (2018).

Artículo Google Académico

Zhang , Y. , Oikonomou , A. , Wong , A. , Haider , MA & Khalvati , F. Análisis de pronóstico basado en radiómica para el cáncer de pulmón de células no pequeñas . ciencia Reps. 7, 1–8. https://doi.org/10.1038/srep46349 (2017).

Artículo CAS Google Académico

Baessler, B. et al. La radiómica permite la detección de histopatología benigna y maligna en pacientes con tumores de células germinales testiculares metastásicos antes de la disección de ganglios linfáticos retroperitoneales posterior a la quimioterapia. EUR. Radiol. 30, 2334–2345. https://doi.org/10.1007/S00330-019-06495-Z (2020).

Artículo PubMed Google Académico

Durón, L. et al. Una firma de radiómica de imágenes de resonancia magnética para distinguir las lesiones orbitarias benignas de las malignas. Invertir. Radiol. 56, 173–180. https://doi.org/10.1097/RLI.0000000000000722 (2021).

Artículo PubMed Google Académico

Laderian, B. et al. Papel de la radiómica para diferenciar feocromocitomas y paragangliomas benignos de malignos en tomografías computarizadas mejoradas con contraste. J. Clin. oncol. 37, e14596–e14596. https://doi.org/10.1200/JCO.2019.37.15_SUPPL.E14596 (2019).

Artículo Google Académico

Li, S. et al. Un enfoque radiómico para el diagnóstico automatizado de neoplasia maligna de ovario en tomografía computarizada. ciencia Rep. 11, 1–9. https://doi.org/10.1038/s41598-021-87775-x (2021).

Artículo CAS Google Académico

Yin, P. et al. Modelos radiómicos basados en aprendizaje automático y profundo para la predicción preoperatoria de tumores sacros benignos y malignos. Frente. oncol. 10, 2235. https://doi.org/10.3389/FONC.2020.564725/BIBTEX (2020).

Artículo Google Académico

Wang, H. et al. Nomograma radiómico para diferenciar entre masas benignas y malignas de partes blandas de las extremidades. J. magn. Imagen de resonancia 51, 155–163. https://doi.org/10.1002/JMRI.26818 (2020).

Artículo Google Académico

Wang, J. et al. Predicción de tumores malignos y benignos de pulmón utilizando un método radiómico cuantitativo. En la Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE. Sociedad de Ingeniería en Medicina y Biología del IEEE. Conferencia Internacional Anual 2016, 1272–1275. https://doi.org/10.1109/EMBC.2016.7590938 (2016).

Zhou, L. et al. Un modelo radiómico basado en aprendizaje profundo para diferenciar tumores renales benignos y malignos. Traducir oncol. 12, 292–300. https://doi.org/10.1016/J.TRANON.2018.10.012 (2019).

Artículo PubMed Google Académico

Guo, BJ et al. Clasificación de la tiroides benigna y maligna mediante radiómica de tomografía computarizada. Medicina. Imágenes 11314, 954–961. https://doi.org/10.1117/12.2549087 (2020).

Artículo Google Académico

Pablo, R. et al. Radiómica profunda: Deep learning sobre imágenes de textura radiómica. Medicina. Imágenes 11597, 8–17. https://doi.org/10.1117/12.2582102 (2021).

Artículo Google Académico

Chen, A. et al. Modelo radiómico basado en TC para predecir metástasis cerebrales en adenocarcinoma de pulmón de categoría T1. Soy. J. Roentgenol. 213, 134–139. https://doi.org/10.2214/AJR.18.20591 (2019).

Artículo Google Académico

Mayerhoefer, ME y col. Introducción a la radiómica. J. Nucl. Medicina. 61 , 488–495. https://doi.org/10.2967/JNUMED.118.222893 (2020).

Artículo CAS PubMed Google Académico

Lambin, P. et al. Radiómica: extracción de más información de imágenes médicas mediante análisis de características avanzadas. EUR. J. Cancer (Oxford, Inglaterra: 1990) 48, 441–446. https://doi.org/10.1016/J.EJCA.2011.11.036 (2012).

Artículo Google Académico

Sugai, Y. et al. Impacto de los métodos de selección de características y factores de subgrupos en el análisis de pronóstico con radiómica basada en TC en pacientes con cáncer de pulmón de células no pequeñas. radiar oncol. 16, 1–12. https://doi.org/10.1186/S13014-021-01810-9/FIGURES/2 (2021).

Artículo Google Académico

Demircioğlu, A. Midiendo el sesgo de la aplicación incorrecta de la selección de características cuando se utiliza la validación cruzada en radiómica. Insights Imaging 12, 1–10. https://doi.org/10.1186/S13244-021-01115-1 (2021).

Artículo Google Académico

Yin, P. et al. Comparación de clasificadores radiómicos de aprendizaje automático y selección de características para la diferenciación del cordoma sacro y el tumor sacro de células gigantes basado en características de tomografía computarizada 3D. EUR. Radiol. 29, 1841–1847. https://doi.org/10.1007/S00330-018-5730-6 (2019).

Artículo PubMed Google Académico

Delzell, DA, Magnuson, S., Peter, T., Smith, M. & Smith, BJ Aprendizaje automático y métodos de selección de características para la clasificación de enfermedades con aplicación a datos de imágenes de detección de cáncer de pulmón. Frente. Oncol.https://doi.org/10.3389/FONC.2019.01393 (2019).

Artículo PubMed PubMed Central Google Académico

Ligero, M. et al. Selección de características radiómicas en función de su reproducibilidad. En la Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología del IEEE. Sociedad de Ingeniería en Medicina y Biología del IEEE. Conferencia Internacional Anual 2019, 403–408. https://doi.org/10.1109/EMBC.2019.8857879 (2019).

Naseri, H. diCOMBINE: aplicación web de identificación de lesiones y visualización 3D-DICOM. https://doi.org/10.5281/ZENODO.5218743 (2021).

Flask Web Development, 2ª Edición [Libro].

Hall, G. & Wright, J. Lesiones óseas. Patología quirúrgica diagnóstica de cabeza y cuello de Gnepp 689–742 (Elsevier, 2021). https://doi.org/10.1016/B978-0-323-53114-6.00008-0.

Libro Google Académico

Zhou, SH, McCarthy, ID, McGregor, AH, Coombs, RR y Hughes, SP Dimensiones geométricas de las vértebras lumbares inferiores: análisis de datos de imágenes de TC digitalizadas. EUR. Lomo J. 9, 242–248. https://doi.org/10.1007/S005860000140 (2000).

Artículo CAS PubMed PubMed Central Google Scholar

Busscher, I., Ploegmakers, JJ, Verkerke, GJ y Veldhuizen, AG Dimensiones anatómicas comparativas de la columna completa humana y porcina. EUR. Lomo J. 19, 1104–1114. https://doi.org/10.1007/S00586-010-1326-9/FIGURES/8 (2010).

Artículo PubMed PubMed Central Google Académico

Van Griethuysen, JJ et al. Sistema de radiómica computacional para decodificar el fenotipo radiográfico. Poder. Res. 77, e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339 (2017).

Artículo CAS Google Académico

Documentación de Radiomic Features-pyradiomics v3.0.1.post9+gdfe2c14.

Zwanenburg, A. et al. La iniciativa de estandarización de biomarcadores de imágenes: radiómica cuantitativa estandarizada para fenotipado basado en imágenes de alto rendimiento. Radiología 295, 328–338. https://doi.org/10.1148/RADIOL.2020191145 (2020).

Artículo PubMed Google Académico

Fontaine, P. et al. La importancia de la agregación de características en radiómica: un estudio de cáncer de cabeza y cuello. ciencia Rep. 10, 1–11. https://doi.org/10.1038/s41598-020-76310-z (2020).

Artículo CAS Google Académico

Wakabayashi, K. et al. Un modelo predictivo para la respuesta al dolor después de la radioterapia para el tratamiento de metástasis espinales. ciencia Rep. 11, 12908. https://doi.org/10.1038/s41598-021-92363-0 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Porzellandörffer, R. & Kreyszig, E. Matemáticas de ingeniería avanzada. bioma L. 7, 129-130. https://doi.org/10.1002/BIMJ.19650070232 (1965).

Artículo Google Académico

Stone, M. Elección de validación cruzada y evaluación de predicciones estadísticas. Estado JR. Soc. Ser. B (Methodol.) 36, 111–147. https://doi.org/10.1111/j.2517-6161.1974.tb00994.x (1974).

Artículo MathSciNet MATEMÁTICAS Google Académico

Rizzo, S. et al. Radiómica: los hechos y los desafíos del análisis de imágenes. EUR. Radiol. Exp.https://doi.org/10.1186/S41747-018-0068-Z (2018).

Artículo PubMed PubMed Central Google Académico

NIF, KP LIII. En líneas y planos de ajuste más cercano a sistemas de puntos en el espacio. 2, 559–572. https://doi.org/10.1080/14786440109462720 (2010).

Hyvärinen, A. & Oja, E. Análisis de componentes independientes: algoritmos y aplicaciones. Red neuronal 13, 411–430. https://doi.org/10.1016/S0893-6080(00)00026-5 (2000).

Artículo PubMed Google Académico

Das, S. y Mert Cakmak, U. Aprendizaje automático automático práctico: una guía para principiantes para crear sistemas de aprendizaje automático automatizado mediante AutoML y Python 1.ª ed. (Editorial Paquete, 2018).

Google Académico

Kim, S.-J., Koh, K., Lustig, M., Boyd, S. y Gorinevsky, D. Un método de punto interior para cuadrados mínimos regularizados de escala 1 grande. IEEE J. Sel. Proceso de la Señal de Temas. https://doi.org/10.1109/JSTSP.2007.910971 (2007).

Artículo Google Académico

Guyon, I., Weston, J., Barnhill, S. & Vapnik, V. Selección de genes para la clasificación del cáncer utilizando máquinas de vectores de soporte. Mach. Aprender. 46, 389–422. https://doi.org/10.1023/A:1012487302797 (2002).

Artículo MATEMÁTICAS Google Académico

Breiman, L. Bosques aleatorios. Mach. Aprender. 45, 5–32. https://doi.org/10.1023/A:1010933404324 (2001).

Artículo MATEMÁTICAS Google Académico

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Académico

1. Documentación de aprendizaje supervisado-scikit-learn 0.20.4.

1.4. Compatibilidad con la documentación de Vector Machines-scikit-learn 1.0.1.

1.9. Documentación de Naive Bayes-scikit-learn 1.0.1.

1.6. Vecinos más cercanos-scikit-learn 1.0.1 documentación.

1.2. Análisis discriminante lineal y cuadrático-scikit-learn 1.0.1 documentación.

1.7. Documentación de Gaussian Processes-scikit-learn 1.0.1.

1.10. Documentación de Decision Trees-scikit-learn 1.0.1.

1.11. Documentación de Ensemble Methods-scikit-learn 1.0.1.

1.17. Documentación de modelos de redes neuronales (supervisados)-scikit-learn 1.0.1.

Kingma, DP & Ba, JL Adam: Un método para la optimización estocástica. En la 3ra Conferencia Internacional sobre Representaciones de Aprendizaje, ICLR 2015-Conference Track Proceedings (2015).

Liu, DC & Nocedal, J. Sobre el método BFGS de memoria limitada para la optimización a gran escala. Matemáticas. programa 45, 503–528. https://doi.org/10.1007/BF01589116 (1989).

Artículo MathSciNet MATEMÁTICAS Google Académico

Goodfellow, I., Bengio, Y. y Courville, A. Aprendizaje profundo: libro completo. Naturaleza 521, 800 (2016).

Matemáticas Google Académico

Fawcett, T. Introducción al análisis ROC. Reconocimiento de patrones. Letón. 27, 861–874. https://doi.org/10.1016/J.PATREC.2005.10.010 (2006).

Artículo ANUNCIOS Google Académico

Hunter, JD Matplotlib: Un entorno de gráficos 2D. computar ciencia Ing. 9, 90–95. https://doi.org/10.1109/MCSE.2007.55 (2007).

Artículo Google Académico

Hossein, N. et al. Una canalización de aprendizaje automático basada en radiómica para distinguir entre hueso metastásico y sano utilizando regiones geométricas de interés basadas en el centro de la lesión; conjunto de datos https://doi.org/10.6084/m9.figshare.19224615.v1 (2022).

Kocak, B., Durmaz, ES, Ates, E. & Kilickesmez, O. Radiómica con inteligencia artificial: una guía práctica para principiantes. Diagnóstico interv. Radiol. (Ankara, Turquía) 25, 485–495. https://doi.org/10.5152/DIR.2019.19321 (2019).

Artículo Google Académico

Haarburger, C. et al. La radiómica presenta reproducibilidad bajo la variabilidad entre evaluadores en segmentaciones de imágenes de TC. ciencia Rep. 10, 1–10. https://doi.org/10.1038/s41598-020-69534-6 (2020).

Artículo ADS CAS Google Académico

Kocak, B., Durmaz, ES, Kaya, OK, Ates, E. & Kilickesmez, O. Fiabilidad del análisis de textura de masas renales por TC 2D basado en un solo corte: influencia de la variabilidad de la segmentación manual intraobservador e interobservador en la reproducibilidad de las características radiómicas . Soy. J. Roentgenol. 213, 377–383. https://doi.org/10.2214/AJR.19.21212 (2019).

Artículo Google Académico

Hua, J., Xiong, Z., Lowey, J., Suh, E. & Dougherty, ER Número óptimo de características en función del tamaño de la muestra para varias reglas de clasificación. Bioinformática (Oxford, Inglaterra) 21, 1509–1515. https://doi.org/10.1093/BIOINFORMATICS/BTI171 (2005).

Artículo CAS Google Académico

Tripathy, R., Bilionis, I. & Gonzalez, M. Procesos gaussianos con reducción de dimensionalidad incorporada: aplicaciones a la propagación de incertidumbre de alta dimensión. J. Cómputo. física 321, 191–223. https://doi.org/10.1016/J.JCP.2016.05.039 (2016).

Artículo ADS MathSciNet MATH Google Scholar

Rasmussen, CE & Williams, CKI Procesos gaussianos para aprendizaje automático. Procesos gaussianos Mach. Aprenda. https://doi.org/10.7551/MITPRESS/3206.001.0001 (2005).

Artículo MATEMÁTICAS Google Académico

Krawczyk, B. Aprendiendo de datos desequilibrados: Desafíos abiertos y direcciones futuras. Artefacto de progreso. Intel. 5, 221–232. https://doi.org/10.1007/S13748-016-0094-0/TABLES/1 (2016).

Artículo Google Académico

Xie, C. et al. Efecto de las técnicas de remuestreo de aprendizaje automático para conjuntos de datos desequilibrados en el modelo radiómico basado en PET con 18 F-FDG en el rendimiento del pronóstico en cohortes de pacientes con cáncer de cabeza y cuello. EUR. J. Nucl. Medicina. mol. Imágenes 47, 2826–2835. https://doi.org/10.1007/S00259-020-04756-4 (2020).

Artículo PubMed Google Académico

Kumar, V. et al. Radiómica: El proceso y los desafíos. Magn. resonancia Imágenes 30, 1234–1248. https://doi.org/10.1016/J.MRI.2012.06.010 (2012).

Artículo PubMed PubMed Central Google Académico

Sun, Y., Wong, AK y Kamel, MS Clasificación de datos desequilibrados: una revisión. IEEE J. Biomédica. Informe de Salud. 23, 687–719. https://doi.org/10.1142/S0218001409007326 (2011).

Artículo Google Académico

He, H. & Ma, Y. Aprendizaje desequilibrado: fundamentos, algoritmos y aplicaciones. Fundamentos, algoritmos y aplicaciones del aprendizaje desequilibrado (Wiley, 2013). https://doi.org/10.1002/9781118646106.

Libro MATEMÁTICAS Google Académico

Bibault, JE et al. El aprendizaje profundo y la radiómica predicen una respuesta completa después de la quimiorradiación neoadyuvante para el cáncer de recto localmente avanzado. ciencia Rep. 8, 1–8. https://doi.org/10.1038/s41598-018-30657-6 (2018).

Artículo CAS Google Académico

Él, Y. et al. Clasificación basada en el aprendizaje profundo de tumores óseos primarios en radiografías: un estudio preliminar. EBioMedicine 62, 103121. https://doi.org/10.1016/J.EBIOM.2020.103121 (2020).

Artículo PubMed PubMed Central Google Académico

Descargar referencias

Esta investigación fue apoyada por la subvención inicial del Dr. John Kildea en el Instituto de Investigación del Centro de Salud de la Universidad McGill (RI-MUHC), la beca Ruth y Alex Dworkin de la Facultad de Medicina y Ciencias de la Salud de la Universidad McGill, un RI -Premio de beca MUHC, un Grad Excellence Award-00293 del Departamento de Física de la Universidad McGill, y de la subvención CREATE Responsible Health and Healthcare Data Science (SDRDS) del Consejo de Investigación de Ciencias Naturales e Ingeniería. Los autores desean agradecer al Dr. Luc Galarneau por su ayuda con el análisis estadístico.

Unidad de Física Médica, Universidad McGill, Montreal, QC, Canadá

Hossein Naseri, Haley Patrick y John Kildea

Departamento de Oncología Radioterápica, Centro de Salud de la Universidad McGill (MUHC), Montreal, QC, Canadá

Lo mejor de Sonia Skamene, Marwan Tolba, Mame Daro Faye, Paul Ramia, Julia Khriguian y Marc David

Centro Médico Southwestern de la Universidad de Texas, Dallas, TX, EE. UU.

Aixa X. Andrade Hernandez

También puede buscar este autor en PubMed Google Scholar

HN contribuyó a la metodología, la revisión de la literatura, el software, el análisis formal, la investigación, la visualización y la redacción del borrador original. SS participó en la recopilación de datos, interpretación y validación. MT participó en la recopilación de datos, interpretación y validación. MF participó en la recopilación de datos, interpretación y validación. PR participó en la recopilación de datos, interpretación y validación. J. Kh. participó en la recopilación, interpretación y validación de datos. HP participó en la recopilación, interpretación y validación de datos. AXHA participó en la recopilación, interpretación y validación de datos. MD participó en la conceptualización y la metodología. J. Ki. participó en la recopilación de datos y contribuyó a la conceptualización, investigación, supervisión, adquisición de fondos y edición del borrador original. Todos los autores contribuyeron a la revisión del artículo y aprobaron el manuscrito final.

Correspondencia a Hossein Naseri.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Naseri, H., Skamene, S., Tolba, M. et al. Modelos de aprendizaje automático basados en radiómica para distinguir entre hueso metastásico y sano utilizando regiones geométricas de interés basadas en el centro de la lesión. Informe científico 12, 9866 (2022). https://doi.org/10.1038/s41598-022-13379-8

Descargar cita

Recibido: 13 de marzo de 2022

Aceptado: 24 de mayo de 2022

Publicado: 14 junio 2022

DOI: https://doi.org/10.1038/s41598-022-13379-8

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Radiología Abdominal (2022)

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias