Evaluation of radiomic feature harmonization techniques for benign and malignant pulmonary nodules

要約

背景: ラジオミクスは、肺がんの診断に役立つ肺結節 (PN) の定量的特徴を提供しますが、医療画像取得のばらつきが臨床応用の障害となっています。
取得効果は、良性 PN と悪性 PN からの放射線特徴間で異なる場合があります。
目的: 放射線特徴の取得依存性を補正する際に、良性と悪性の PN 間の差異を考慮する方法を評価しました。
方法: 良性、悪性、または肺がんスクリーニング (良性、悪性混合) に分類された 567 件の胸部 CT スキャンを使用しました。
ComBat 調和は、4 つの取得パラメータの変化に対して抽出された特徴に適用されました。
比較したのは、区別せずに調和させること、サブグループ間の区別を維持するために共変量を使用して調和させること、およびサブグループを個別に調和させることです。
有意な ($p\le0.05$) クラスカル・ウォリス検定により、調和によって取得依存性が除去されるかどうかが示されました。
LASSO-SVM パイプラインは、悪性腫瘍を予測するために、正常に調和された特徴に基づいてトレーニングされました。
これらの特徴の予測情報を評価するために、トレーニングされた調和推定器と予測モデルが未確認のテスト セットに適用されました。
調和と予測パフォーマンスは、5 分割交差検証の 10 回のトライアルで評価されました。
結果: 特徴の平均 2.1% (95% CI:1.9-2.4%) は、区別せずに調和させた場合には取得に依存せず、共変量と調和させた場合は 27.3% (95% CI:25.7-28.9%)、そして 90.9% (95% CI:25.7-28.9%) が獲得に依存しませんでした。
% CI:90.4-91.5%) を個別に調整した場合。
個別に調和させたデータ、または共変量訓練済みモデルを用いて調和させたデータは、良性と悪性の PN を区別せずに調和させたデータよりも、スクリーニング スキャンの ROC-AUC が高くなります (Delong 検定、調整済み $p\le0.05$)。
結論: 良性および悪性 PN の放射性特徴は、取得に依存しない分布を回復するために異なる補正変換を必要とします。
これは、個別に調和させるか、共変量を使用して調和させることで実行できます。

要約(オリジナル)

BACKGROUND: Radiomics provides quantitative features of pulmonary nodules (PNs) which could aid lung cancer diagnosis, but medical image acquisition variability is an obstacle to clinical application. Acquisition effects may differ between radiomic features from benign vs. malignant PNs. PURPOSE: We evaluated how to account for differences between benign and malignant PNs when correcting radiomic features’ acquisition dependency. METHODS: We used 567 chest CT scans grouped as benign, malignant, or lung cancer screening (mixed benign, malignant). ComBat harmonization was applied to extracted features for variation in 4 acquisition parameters. We compared: harmonizing without distinction, harmonizing with a covariate to preserve distinctions between subgroups, and harmonizing subgroups separately. Significant ($p\le0.05$) Kruskal-Wallis tests showed whether harmonization removed acquisition dependency. A LASSO-SVM pipeline was trained on successfully harmonized features to predict malignancy. To evaluate predictive information in these features, the trained harmonization estimators and predictive model were applied to unseen test sets. Harmonization and predictive performance were assessed for 10 trials of 5-fold cross-validation. RESULTS: An average 2.1% of features (95% CI:1.9-2.4%) were acquisition-independent when harmonized without distinction, 27.3% (95% CI:25.7-28.9%) when harmonized with a covariate, and 90.9% (95% CI:90.4-91.5%) when harmonized separately. Data harmonized separately or with a covariate trained models with higher ROC-AUC for screening scans than data harmonized without distinction between benign and malignant PNs (Delong test, adjusted $p\le0.05$). CONCLUSIONS: Radiomic features of benign and malignant PNs need different corrective transformations to recover acquisition-independent distributions. This can be done by harmonizing separately or with a covariate.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google