[論文レビュー] An automated machine learning framework to optimize radiomics model construction validated on twelve clinical applications

Martijn P. A. Starmans, Sebastian R. van der Voort+44 more|arXiv (Cornell University)|Aug 19, 2021

Sarcoma Diagnosis and Treatment被引用数 10

ひとこと要約

本論文は、12の臨床的応用において、前処理、特徴抽出、モデリングパイプラインの多様な組み合わせを体系的に評価することで、放射線学的ワークフロー構築を完全に最適化する自動化された機械学習フレームワークを提案する。この手法は、AUC 0.45 から 0.87 の範囲で競争力のある性能を達成し、人間の専門家によるヒューリスティクスやベースラインの放射線学的手法を上回り、オープンソースのソフトウェアとデータセットを通じて再現可能性を確保している。

ABSTRACT

Predicting clinical outcomes from medical images using quantitative features (``radiomics'') requires many method design choices, Currently, in new clinical applications, finding the optimal radiomics method out of the wide range of methods relies on a manual, heuristic trial-and-error process. We introduce a novel automated framework that optimizes radiomics workflow construction per application by standardizing the radiomics workflow in modular components, including a large collection of algorithms for each component, and formulating a combined algorithm selection and hyperparameter optimization problem. To solve it, we employ automated machine learning through two strategies (random search and Bayesian optimization) and three ensembling approaches. Results show that a medium-sized random search and straight-forward ensembling perform similar to more advanced methods while being more efficient. Validated across twelve clinical applications, our approach outperforms both a radiomics baseline and human experts. Concluding, our framework improves and streamlines radiomics research by fully automatically optimizing radiomics workflow construction. To facilitate reproducibility, we publicly release six datasets, software of the method, and code to reproduce this study.

研究の動機と目的

• 新しい臨床的応用において、放射線学的モデル開発の再現性の欠如と高い人的作業負荷を解消すること。
• 最適な放射線学的パイプラインを選定するための専門家主導のヒューリスティクスや試行錯誤に依存するのを減らすこと。
• エンドツーエンドのワークフロー最適化プロセスを自動化することで、放射線学的バイオマーカーの発見を簡素化すること。
• 前処理、特徴抽出、モデリング技術の多様な組み合わせを体系的に評価することで、性能と一般化能力を向上させること。
• ソフトウェア、コード、6つのデータセットを公開することで、再現性を促進し、臨床応用を促進すること。

提案手法

• 前処理、特徴抽出、モデリングの各コンponentを交換可能にしたモジュラーなワークフローとして放射線学を定式化する。
• ハイパーパramータ空間の探索と最適化に、ランダムサーチ戦略とモデルアンサンブルを組み合わせる。
• 強度、テクスチャ、形状、ウェーブレットベースの特徴を含む、各ワークフローコンponent用の標準アルゴリズムの包括的ライブラリを統合する。
• ハイパーパramータ探索中の過学習を防ぐために、ネストドクロスバリデーションを用いてパイプラインの性能を評価する。
• 自動特徴選択とモデルキャリブレーションを適用し、一般化能力と臨床的解釈可能性を向上させる。
• オープンソースツールに基づくスケーラブルなソフトウェアパイプラインをデプロイし、完全な再現可能性と拡張性を実現する。

実験結果

リサーチクエスチョン

• RQ1 自動化された機械学習は、予測性能と再現性の観点で、人的介入による手動の放射線学的パイプライン選定を上回ることができるか？
• RQ2 本フレームワークは、ベイズ最適化や他の先進的なアンサンブル手法と比較して、どのように放射線学的モデル最適化において性能を発揮するか？
• RQ3 完全に自動化され、モジュラーな放射線学的ワークフローを用いることで、多様な臨床的応用でどの程度の性能が達成可能か？
• RQ4 本フレームワークは、新しい放射線学的応用において、ドメインエキスパートの知識や手動チューニングの必要性をどの程度低減できるか？
• RQ5 本フレームワークは、異種の画像モodalities（CT、MRI、PETなど）と臨床的状態をカバーしながらも、強固な性能を維持できるか？

主な発見

• 本フレームワークは、12の臨床的応用においてAUCが0.45から0.87の範囲で達成され、アルツハイマー病では最高の性能である0.87を記録した。
• リポサルコーマではAUCが0.83を達成し、軟部肉腫の予測において優れた性能を示した。
• デズミッド型線維性腫瘍ではAUCが0.82に達し、希少な線維増殖性腫瘍における高い予測精度を示した。
• 標準的な放射線学的ベースラインを上回り、ベイズ最適化や高度なアンサンブル手法と同等またはそれ以上の性能を達成した。
• CT、MRI、PETを含む多様な画像タイプおよびがん、神経変性疾患、線維化疾患を含む多様な臨床状態において、強固な性能を示した。
• 専門家が最適化したパイプラインと同等の性能を一貫して達成し、人的作業負荷を著しく低減するとともに再現性を向上させた。