[論文レビュー] Dissimilarity-based representation for radiomics applications

Hongliu Cao, Simon Bernard+2 more|arXiv (Cornell University)|Mar 12, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 15被引用数 8

ひとこと要約

本稿では、腫瘍特徴量を1つの高次元空間に連結するのではなく、複数の異なる視点として扱う、放射線学的特徴量のための差異に基づくマルチビュー学習フレームワークを提案する。中間統合としてランダムフォレストに基づく差異測定（RFSVMおよびRFDIS）を用いることで、フィルタ特徴選択（例：RELF、SVMRFE）を用いた従来の早期統合手法に比べ、4つの実際の放射線学的データセットで顕著に優れた性能を達成し、非IDH1分類において最大82.79%の正確度を達成した（p < 0.05の有意水準）。

ABSTRACT

Radiomics is a term which refers to the analysis of the large amount of quantitative tumor features extracted from medical images to find useful predictive, diagnostic or prognostic information. Many recent studies have proved that radiomics can offer a lot of useful information that physicians cannot extract from the medical images and can be associated with other information like gene or protein data. However, most of the classification studies in radiomics report the use of feature selection methods without identifying the machine learning challenges behind radiomics. In this paper, we first show that the radiomics problem should be viewed as an high dimensional, low sample size, multi view learning problem, then we compare different solutions proposed in multi view learning for classifying radiomics data. Our experiments, conducted on several real world multi view datasets, show that the intermediate integration methods work significantly better than filter and embedded feature selection methods commonly used in radiomics.

研究の動機と目的

• 複数の補完的特徴群を有する高次元・小標本（HDLSS）の放射線学的データ処理における課題に対処する。
• 放射線学的分類問題をマルチビュー学習問題として再定式化し、特徴群間の補完的情報をより効果的に活用する。
• 放射線学的分野における早期統合（特徴選択）と中間統合・後期統合手法を評価・比較する。
• 差異に基づく中間統合が、標準的なフィルタベース特徴選択法に比べ分類性能を向上させることを実証する。

提案手法

• 各放射線学的特徴群（ビュー）を、トレーニング済みのランダムフォレストを用いてペアワイズサンプル距離を計算することで、差異行列として表現する。
• RFSVMおよびRFDISを中間統合手法として用い、分類の前に差異行列を統合する。
• LateRFおよびLateRFDISを後期統合手法として用い、各ビューを別々に分類し、平均化により予測を融合する。
• RFSVMおよびRFDISを、RELF（フィルタベース）およびSVMRFE（ラッパー基地）特徴選択を用いた2つの早期統合手法と比較する。その後、ランダムフォレスト分類器を用いる。
• 10分割交差検証を実施し、50%の訓練/テスト分割を用い、有意水準α = 0.05およびα = 0.10で符号検定を実施する。
• すべてのビューにおいて、差異計算のための同一のハイパーパrameterを用いるが、今後の研究ではビュー固有のチューニングを検討する予定である。

実験結果

リサーチクエスチョン

• RQ1 標準的な特徴選択を伴う早期統合と比較して、マルチビュー学習フレームワークは放射線学的分類性能を向上させることができるか？
• RQ2 複数のビューからの差異表現を統合する中間統合手法は、フィルタまたはラッパー特徴選択を伴う早期統合を上回る性能を示すか？
• RQ3 HDLSS特性を有する放射線学的タスクにおいて、後期統合手法は早期統合手法よりも顕著に優れているか？
• RQ4 差異に基づく中間統合手法の性能向上は、多様な放射線学的データセット全体で統計的に有意であるか？

主な発見

• 中間統合手法RFSVMは、nonIDH1データセットで82.79% ± 2.37の最高正確度を達成し、α = 0.05の有意水準でRELF（74.65%）およびSVMRFE（76.28%）を顕著に上回った。
• RFDISはnonIDH1データセットで80.69% ± 4.17を達成し、RELF（p < 0.05）よりも顕著に優れており、差異に基づく中間統合の利点を裏付けた。
• LateRFおよびLateRFDISは早期手法よりも性能が向上したが、SVMRFEに比べて有意差は認められず、この文脈では後期統合による利点が限定的であることを示唆した。
• 全放射線学的データセットにおける平均順位では、RFSVMおよびLateRFが第1位（2.12）を記録した一方、RFDISおよびLateRFDISは第2位（3.25）を記録し、中間統合手法の一貫した優位性を示した。
• 統計的分析により、RFSVM、RFDIS、LateRFはRELFを顕著に上回ることが判明（p < 0.05）したが、LateRFDISはRELFに対して有意な改善を示さなかった。
• 放射線学的データにおける結果は、非放射線学的データセットの報告結果と一致しており、差異に基づく中間統合がHDLSSマルチビュー学習において頑健かつ効果的であることを検証した。