Cross-Vendor Reproducibility of Radiomics-based Machine Learning Models for Computer-aided Diagnosis

要約

背景: さまざまな MRI ベンダーにわたる前立腺がん検出における機械学習モデルの再現性は、依然として大きな課題です。
方法: この研究では、ピラジオミクスおよび MRC ラジオミクス ライブラリを使用して、T2 強調 MRI 画像から抽出されたラジオミクス特徴でトレーニングされたサポート ベクター マシン (SVM) およびランダム フォレスト (RF) モデルを調査します。
特徴の選択は、最大関連性最小冗長性 (MRMR) 技術を使用して実行されました。
私たちは、マルチモーダル学習と機能融合を通じて臨床意思決定のサポートを強化することを目指しました。
結果: ピラジオミクスと MRC ラジオミクスの組み合わせ機能を利用した SVM モデルは、Multi-Improd データセット (Siemens スキャナ) では AUC 0.74 を達成しましたが、Philips テスト セットでは 0.60 に減少しました。
RF モデルも同様の傾向を示し、パイラジオミクス機能のみを使用したモデルの堅牢性が顕著でした (フィリップスでは AUC 0.78)。
結論: これらの発見は、前立腺がん検出における臨床意思決定支援のための機械学習モデルの堅牢性と一般化性を向上させるマルチモーダル機能統合の可能性を示しています。
この研究は、さまざまな画像プラットフォームにわたって有効性を維持する、信頼性の高い AI 駆動の診断ツールの開発に向けた重要な一歩を示しています。

要約(オリジナル)

Background: The reproducibility of machine-learning models in prostate cancer detection across different MRI vendors remains a significant challenge. Methods: This study investigates Support Vector Machines (SVM) and Random Forest (RF) models trained on radiomic features extracted from T2-weighted MRI images using Pyradiomics and MRCradiomics libraries. Feature selection was performed using the maximum relevance minimum redundancy (MRMR) technique. We aimed to enhance clinical decision support through multimodal learning and feature fusion. Results: Our SVM model, utilizing combined features from Pyradiomics and MRCradiomics, achieved an AUC of 0.74 on the Multi-Improd dataset (Siemens scanner) but decreased to 0.60 on the Philips test set. The RF model showed similar trends, with notable robustness for models using Pyradiomics features alone (AUC of 0.78 on Philips). Conclusions: These findings demonstrate the potential of multimodal feature integration to improve the robustness and generalizability of machine-learning models for clinical decision support in prostate cancer detection. This study marks a significant step towards developing reliable AI-driven diagnostic tools that maintain efficacy across various imaging platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google