[논문 리뷰] Constructing multi-modality and multi-classifier radiomics predictive models through reliable classifier fusion

Zhiguo Zhou, Zhijie Zhou외 6명|arXiv (Cornell University)|2017. 10. 04.

Radiomics and Machine Learning in Medical Imaging참고 문헌 1인용 수 11

한 줄 요약

이 논문은 종양 예후 예측을 향상시키기 위해 영상학적 특징(예: CT, MRI)과 다중 분류기 출력을 융합하는 새로운 신뢰할 수 있는 분류기 융합 전략을 제안한다. 모달리티별 분류기의 점수를 융합하기 위해 분석적 증거이론(ER) 규칙를 적용함으로써, 단일 분류기 또는 간단한 특징 연결 방식을 사용하는 전통적 모델보다 우수한 성능을 보이며, 공개 및 임상 데이터셋에서 뛰어난 성능을 입증한다.

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.

연구 동기 및 목표

• 단일 영상 모달리티에서 추출한 특징을 융합할 때 모달리티별 예측 능력을 고려하지 않는 한계를 해결하기 위해.
• 영상학적 응용 분야에서 이용 가능한 많은 분류기 중 최적의 분류기를 선택하는 데 도전하는 데에.
• 다양한 분류기 출력과 모달리티별 예측을 하나의 고성능 예측 모델로 융합하는 강건한 융합 전략을 개발하기 위해.
• 공개 및 임상 데이터셋에서 제안된 융합 프레임워크를 검증하여 일반화 능력과 우수성을 입증하기 위해.

제안 방법

• 단일 영상 모달리티(예: CT, MRI)에서 추출한 영상학적 특징을 기반으로 모달리티별 분류기를 훈련시키기 위해.
• 다른 분류기 및 모달리티의 출력 점수를 융합하기 위해 분석적 증거이론(ER) 규칙를 적용하기 위해.
• 각 분류기의 예측에 대한 불확실성과 신뢰도를 모델링하여 최적의 증거 융합을 가능하게 하기 위해.
• 간단한 평균화나 특징 연결이 아닌, ER 프레임워크에서 유도된 가중치 기반 신뢰도 점수에 기반해 예측을 융합하기 위해.
• 다양한 임상 시나리오에서 성능을 평가하기 위해 공개 데이터셋과 두 개의 임상 사례 연구를 사용하여 모델을 검증하기 위해.
• AUC, 정확도, 민감도와 같은 표준 지표를 사용하여 성능을 평가하고, 기준 모델과 비교하기 위해.

실험 결과

연구 질문

• RQ1 다양한 분류기와 영상 모달리티의 예측을 융합하는 전략이 단일 모달리티 또는 단일 분류기 모델보다 영상학적 예측 성능을 향상시킬 수 있는가?
• RQ2 분석적 증거이론(ER) 규칙는 특징 연결이나 단순 평균화와 같은 전통적 융합 방법에 비해 예측 정확도와 강건성 측면에서 어떻게 비교되는가?
• RQ3 제안된 융합 모델은 다양한 임상 데이터셋과 영상 프로토콜에서도 성능을 유지하거나 향상시키는가?
• RQ4 ER 기반 융합 전략은 다양한 영상 모달리티 간 분류기 출력의 불확실성과 변동성을 얼마나 효과적으로 다루는가?

주요 결과

• 제안된 ER 기반 영상학적 모델은 단일 분류기 또는 다중 모달리티에서 추출한 특징을 융합한 전통적 모델보다 더 높은 AUC 값을 달성했다.
• 모델은 공개 데이터셋과 두 개의 임상 사례 연구 모두에서 향상된 예측 성능을 보이며 강력한 일반화 능력을 입증했다.
• 분석적 증거이론 융합 전략은 각 분류기의 신뢰도에 따라 출력을 가중치 적용함으로써 불확실성을 효과적으로 관리하고 예측의 신뢰도를 향상시켰다.
• 모달리티별 분류기의 융합이 다양한 영상 모달리티의 특징을 연결한 모델보다 우수한 성능을 보였으며, 이는 예측 수준 융합이 특징 수준 융합보다 더 효과적임을 시사한다.
• 결과적으로, 체계적인 융합 메커니즘을 통해 다수의 분류기와 모달리티를 통합하면 더 강건하고 정확한 영상학적 모델이 도출됨을 확인했다.