[논문 리뷰] A Clinically Anchored Radiomics Dictionary for Explainable TI-RADS-Based Thyroid Nodule Classification in Ultrasound; Dictionary Version TU1.0

Mohammad Salmanpour, Shahram Taeb외 6명|arXiv (Cornell University)|2026. 03. 24.

Thyroid Cancer Diagnosis and Treatment인용 수 0

한 줄 요약

본 논문은 임상에 기반한 radiomics 프레임워크를 제시하여 초음파 US 방사선 특징을 TI-RADS 의미론과 연결하고, 다기관 데이터에서 높은 ROC-AUC로 설명가능한 갑상선 결절 분류를 달성한다.

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.

연구 동기 및 목표

• 정량적 radiomics 특징과 TI-RADS 의미론적 기술자를 연결하여 갑상선 초음파 분류의 해석 가능성과 임상 신뢰도를 높인다.
• TI-RADS 범주를 Image Biomarker Standardization Initiative (IBSI) 준수 방사선특징으로 매핑하는 radiomics 사전을 개발하고 검증한다.
• 다중 특징 선택기와 분류기에서 강건한 모델 선택을 다기관 데이터에서 평가한다.
• 방사선특징과 TI-RADS 위험 기술자를 연결하는 SHAP 분석을 통해 해석 가능성을 입증한다.

제안 방법

• PyRadiomics를 사용하여 2D US 영상에서 107개의 radiomic 특징을 추출하고 min-max 정규화로 정규화한다.
• TI-RADS 범주(구성, 반향성, 형태, 경계, 반향 초점)를 RF에 매핑하는 사전을 구성한다.
• 세 개의 다기관 데이터 세트를 결합하여 총 5,542개 결절을 학습 및 테스트에 사용한다.
• 층화된 다섯 폴드 교차검증을 사용하여 27개의 특징 선택 방법과 25개의 분류기로 평가(학습 70%, 테스트 30%).
• 균형 정확도, 정밀도, 재현율, F1, ROC-AUC를 포함하는 안정성 인식 합성 점수로 강건한 모델을 선택한다.
• SHAP를 적용하여 특징 기여를 해석하고 이를 TI-RADS 기술자와 연관시킨다.

실험 결과

연구 질문

• RQ1 TI-RADS 의미론에 기반한 radiomics 사전이 초음파에서 해석 가능한 갑상선 결절 분류를 제공할 수 있는가?
• RQ2 SHAP에 따라 어떤 radiomic 특징과 TI-RADS 기술자가 악성 여부를 가장 강하게 나타내는가?
• RQ3 다기관 데이터에서 강건하고 사전식으로 가이드된 모델의 양성/악성 갑상선 결절에 대한 성능은 어떠한가?

주요 결과

• 최고 모델(Select-From-Model, 로지스틱 회귀 및 Extra-Trees)이 테스트 ROC-AUC 0.941 ± 0.005를 달성.
• 총 107개의 radiomic 특징이 추출되어 27개의 특징 선택기와 25개의 분류기에 걸쳐 사용되었다.
• SHAP은 질감 이질성을 주요 악성 신호로 식별했다; 그레이 레벨 런 길이 행렬 비균일성, 강도 분산, 첨도가 높은 kurtosis 등의 특징이 고위험 TI-RADS 기술자와 일치했다.
• 사전은 TI-RADS 용어로 radiomic 서명을 직접 해석할 수 있게 하여 투명한 갑상선 결절 위험 계층화를 지원한다.