[論文レビュー] Constructing multi-modality and multi-classifier radiomics predictive models through reliable classifier fusion

Zhiguo Zhou, Zhijie Zhou+6 more|arXiv (Cornell University)|Oct 4, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 1被引用数 11

ひとこと要約

本論文は、放射線学的特徴量から得られる複数の画像モality（例：CT、MRI）および複数の分類器出力を統合することで、がん予後予測のための予測モデリングを向上させる、新しい信頼性の高い分類器統合戦略を提案する。モダリティ固有の分類器からのスコアを統合するために、分析的証拠理論（ER）ルールを適用することで、単一の分類器や単純な特徴量連結を用いる従来のモデルよりも優れた性能を示し、公開データセットおよび臨床データセットにおいて優れた性能を発揮した。

ABSTRACT

Radiomics aims to extract and analyze large numbers of quantitative features from medical images and is highly promising in staging, diagnosing, and predicting outcomes of cancer treatments. Nevertheless, several challenges need to be addressed to construct an optimal radiomics predictive model. First, the predictive performance of the model may be reduced when features extracted from an individual imaging modality are blindly combined into a single predictive model. Second, because many different types of classifiers are available to construct a predictive model, selecting an optimal classifier for a particular application is still challenging. In this work, we developed multi-modality and multi-classifier radiomics predictive models that address the aforementioned issues in currently available models. Specifically, a new reliable classifier fusion strategy was proposed to optimally combine output from different modalities and classifiers. In this strategy, modality-specific classifiers were first trained, and an analytic evidential reasoning (ER) rule was developed to fuse the output score from each modality to construct an optimal predictive model. One public data set and two clinical case studies were performed to validate model performance. The experimental results indicated that the proposed ER rule based radiomics models outperformed the traditional models that rely on a single classifier or simply use combined features from different modalities.

研究の動機と目的

• 単一の画像モダリティからの特徴量を統合する際、モダリティ固有の予測能力を考慮しないという限界を解消すること。
• 放射線学的応用において、多数の利用可能な分類器の中から最適な分類器を選択するという課題を克服すること。
• 多様な分類器出力およびモダリティ固有の予測を統合し、1つの高精度な予測モデルを構築する、耐障害性の高い統合戦略を開発すること。
• 提案された統合フレームワークを公開データセットおよび臨床データセットの両方で検証し、一般化可能性と優位性を示すこと。

提案手法

• 個々の画像モダリティ（例：CT、MRI）から抽出された放射線学的特徴量を用いて、モダリティ固有の分類器をトレーニングする。
• 異なる分類器およびモダリティからの出力スコアを統合するために、分析的証拠理論（ER）ルールを適用する。
• ERルールを用いて、各分類器の予測の不確実性と信頼性をモデル化し、証拠の最適な組み合わせを可能にする。
• 単純な平均化や特徴量連結ではなく、ERフレームワークから導出された重み付き信頼度スコアに基づいて予測を統合する。
• パブリックデータセットおよび2つの臨床症例を用いてモデルの妥当性を検証し、多様な臨床状況における性能を評価する。
• AUC、正確度、感度などの標準指標を用いてモデルの性能を評価し、ベースラインモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 複数の分類器および画像モダリティからの予測を統合する戦略は、単一モダリティまたは単一分類器モデルと比較して、放射線学的予測性能を向上させることができるか？
• RQ2 分析的証拠理論（ER）ルールは、特徴量連結や単純平均化といった従来の統合手法と比較して、予測精度および耐障害性の面で優れているか？
• RQ3 提案された統合モデルは、多様な臨床データセットおよび画像プロトコルにおいても性能を維持または向上させるか？
• RQ4 ERベースの統合戦略は、異なる画像モダリティ間で生じる分類器出力の不確実性とばらつきをどの程度効果的に処理できるか？

主な発見

• 提案されたERベースの放射線学的モデルは、単一分類器や複数モダリティからの特徴量を統合した従来のモデルよりも高いAUC値を達成した。
• モデルはパブリックデータセットおよび2つの臨床症例において、優れた一般化能を示すとともに、予測性能が向上した。
• 分析的証拠理論による統合戦略は、各分類器の信頼度に基づいて出力に重みを付けることで、不確実性を効果的に管理し、予測の信頼性を向上させた。
• モダリティ固有の分類器の統合は、異なる画像モダリティからの特徴量を連結するモデルよりも優れた性能を示し、予測レベルの統合が特徴量レベルの統合よりも効果的であることを示唆した。
• 結果から、原理的統合メカニズムを用いて複数の分類器およびモダリティを統合することで、より耐障害性が高く、正確な放射線学的モデルが構築可能であることが確認された。