[論文レビュー] A Clinically Anchored Radiomics Dictionary for Explainable TI-RADS-Based Thyroid Nodule Classification in Ultrasound; Dictionary Version TU1.0

Mohammad Salmanpour, Shahram Taeb+6 more|arXiv (Cornell University)|Mar 24, 2026

Thyroid Cancer Diagnosis and Treatment被引用数 0

ひとこと要約

この論文は、臨床的に基づくラジオミクス枠組みを用いてUSラジオミクス特徴をTI-RADSセマンティクスに結び付け、マルチセンターのデータで高いROC-AUCを達成した説明可能な甲状腺結節分類を実現する。

ABSTRACT

Artificial intelligence based radiomics models for thyroid ultrasound (US) often achieve strong diagnostic performance but remain difficult to interpret, limiting clinical trust and adoption. We developed and validated an interpretable radiomic feature (RF) framework for thyroid nodule classification by linking quantitative US features to the Thyroid Imaging Reporting and Data System (TI-RADS) semantic lexicon through a clinically grounded radiomics dictionary. The dictionary mapped TI-RADS categories, including composition, echogenicity, shape, margin, and echogenic foci, to Image Biomarker Standardization Initiative compliant RFs extracted from two-dimensional US images. Relationships were defined through expert consensus and examined using Shapley Additive Explanations (SHAP). Three multicenter datasets were combined, yielding 5,542 nodules. A total of 107 RFs were extracted using PyRadiomics and normalized with min-max scaling. For benign versus malignant classification, 27 feature selection methods were paired with 25 classifiers and evaluated using stratified five-fold cross-validation on 70% of the data, followed by testing on the remaining 30%. Robust model selection used a stability-aware composite score combining mean performance and variability across balanced accuracy, precision, recall, F1-score, and ROC-AUC. The proposed dictionary enabled direct interpretation of radiomic signatures in TI-RADS terms. The best model, Select-From-Model based on logistic regression with Extra-Trees, achieved a test ROC-AUC of 0.941 +/- 0.005. SHAP analysis showed that texture heterogeneity was the dominant malignancy signal, with gray level run length matrix non-uniformity, intensity dispersion, and kurtosis aligning with high-risk TI-RADS descriptors. These findings support transparent and clinically meaningful thyroid nodule risk stratification from US.

研究の動機と目的

• 定量的ラジオミクス特徴とTI-RADSセマンティック記述子を橋渡しして甲状腺超音波分類の解釈性と臨床的信頼性を向上させる。
• TI-RADSカテゴリをImage Biomarker Standardization Initiative (IBSI)準拠のラジオミクス特徴へマッピングするラジオミクス辞書を開発・検証する。
• マルチセンターのデータで複数の特徴選択子と分類器を用いたロバストなモデル選択を評価する。
• SHAP解析を通じてラジオミクス署名とTI-RADSリスク記述の関連性を示し、解釈性を実証する。

提案手法

• PyRadiomicsを用いて2D超音波画像から107個のラジオミクス特徴を抽出し、min-maxスケーリングで正規化する。
• TI-RADSカテゴリ（組成、エコー性、形状、縁、エコー所見）をRFへマッピングする辞書を構築する。
• 3つのマルチセンターデータセットを統合して総計5,542個の結節を訓練・検証に用いる。
• 層化五分割交差検証を用いて、27の特徴選択法と25の分類器を評価する（70%訓練、30%検証）。
• バランス精度、適合率、再現率、F1、ROC-AUCを組み合わせた安定性を考慮したスコアを用いてロバストなモデルを選択する。
• TI-RADS記述子に関連づけて特徴寄与を解釈するためにSHAPを適用する。

実験結果

リサーチクエスチョン

• RQ1 TI-RADSセマンティクスに基づくラジオミクス辞書は超音波での甲状腺結節分類の解釈性を提供できるか？
• RQ2 SHAPによって malignancy を示唆する最も強いラジオミクス特徴とTI-RADS記述子はどれか？
• RQ3 マルチセンターデータに対して辞書連携モデルの健全性は benign vs malignant の結節分類でどの程度の性能を示すか？

主な発見

• 最良モデル（Model選択-From-Model、ロジスティック回帰とExtra-Trees併用）は検証ROC-AUC 0.941 ± 0.005を達成。
• 107個のラジオミクス特徴を抽出し、27の特徴選択子と25の分類器を横断して用いた。
• SHAPはテクスチャの異質性を主要な悪性信号として同定；グレイレベル走査長行列非均一性、強度分散、尖度などの特徴が高リスクTI-RADS記述子と整合。
• 辞書はラジオミクス署名をTI-RADS用語で直接解釈可能にし、甲状腺結節リスク層別の透明性を支持する。