Reproducible radiomics through automated machine learning validated on twelve clinical applications

要約

Radiomics は、定量的な医用画像処理機能を使用して臨床転帰を予測します。
現在、新しい臨床応用では、利用可能な幅広いオプションから最適なラジオミクス法を見つけることは、ヒューリスティックな試行錯誤プロセスを通じて手動で行う必要があります。
この研究では、アプリケーションごとにラジオミクス ワークフローの構築を自動的に最適化するためのフレームワークを提案します。
この目的のために、ラジオミクスをモジュラーワークフローとして定式化し、各コンポーネントに共通のアルゴリズムの大規模なコレクションを含めます。
アプリケーションごとのワークフローを最適化するために、ランダム検索とアンサンブルを使用した自動機械学習を採用しています。
12 の異なる臨床応用でこの方法を評価すると、曲線の下の次の領域が得られます。1) 脂肪肉腫 (0.83)。
2) デスモイド型線維腫症 (0.82);
3) 原発性肝腫瘍 (0.80);
4) 消化管間質腫瘍 (0.77);
5) 結腸直腸肝転移 (0.61);
6) メラノーマ転移 (0.45);
7) 肝細胞癌 (0.75);
8) 腸間膜線維症 (0.80);
9) 前立腺癌 (0.72);
10) 神経膠腫 (0.71);
11) アルツハイマー病 (0.87);
12) 頭頸部がん (0.84)。
私たちのフレームワークは、人間の専門家と比較して競争力のあるパフォーマンスを発揮し、ラジオミクスのベースラインを上回り、ベイジアン最適化やより高度なアンサンブル アプローチと同等以上のパフォーマンスを発揮することを示しています。
結論として、我々の方法はラジオミクスワークフローの構築を完全に自動的に最適化し、それによって新しいアプリケーションでのラジオミクスバイオマーカーの検索を合理化します。
再現性と将来の研究を促進するために、6 つのデータセット、フレームワークのソフトウェア実装、およびこの研究を再現するためのコードを公開します。

要約(オリジナル)

Radiomics uses quantitative medical imaging features to predict clinical outcomes. Currently, in a new clinical application, finding the optimal radiomics method out of the wide range of available options has to be done manually through a heuristic trial-and-error process. In this study we propose a framework for automatically optimizing the construction of radiomics workflows per application. To this end, we formulate radiomics as a modular workflow and include a large collection of common algorithms for each component. To optimize the workflow per application, we employ automated machine learning using a random search and ensembling. We evaluate our method in twelve different clinical applications, resulting in the following area under the curves: 1) liposarcoma (0.83); 2) desmoid-type fibromatosis (0.82); 3) primary liver tumors (0.80); 4) gastrointestinal stromal tumors (0.77); 5) colorectal liver metastases (0.61); 6) melanoma metastases (0.45); 7) hepatocellular carcinoma (0.75); 8) mesenteric fibrosis (0.80); 9) prostate cancer (0.72); 10) glioma (0.71); 11) Alzheimer’s disease (0.87); and 12) head and neck cancer (0.84). We show that our framework has a competitive performance compared human experts, outperforms a radiomics baseline, and performs similar or superior to Bayesian optimization and more advanced ensemble approaches. Concluding, our method fully automatically optimizes the construction of radiomics workflows, thereby streamlining the search for radiomics biomarkers in new applications. To facilitate reproducibility and future research, we publicly release six datasets, the software implementation of our framework, and the code to reproduce this study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google