[논문 리뷰] Dissimilarity-based representation for radiomics applications

Hongliu Cao, Simon Bernard외 2명|arXiv (Cornell University)|2018. 03. 12.

Radiomics and Machine Learning in Medical Imaging참고 문헌 15인용 수 8

한 줄 요약

이 논문은 종양 특징을 단일 고차원 공간으로 통합하는 대신, 여러 개별 시각(views)으로 간주하는 반면, 복수의 시각 학습 프레임워크를 제안한다. 중간 통합을 위해 랜덤 포레스트 기반의 이질성 측정법(RFSVM 및 RFDIS)을 사용함으로써, 필터 기반 특징 선택(예: RELF, SVMRFE)을 통한 전통적 조기 통합 방식보다 유의하게 높은 성능을 보였으며, 네 개의 실제 영상학적 데이터셋에서 비-IDH1 분류 작업에서 최대 82.79%의 정확도를 달성했고, 유의수준 p < 0.05에서 유의미하다.

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.

연구 동기 및 목표

• 다양한 상보적인 특징 그룹을 가진 고차원·저표본 크기(HDLSS) 영상학적 데이터 문제를 해결한다.
• 영상학적 분류 문제를 특징 그룹 간의 상보적 정보를 더 잘 활용할 수 있도록 다중 시각 학습 문제로 재구성한다.
• 영상학적 분류에서 조기 통합(특징 선택)과 중간 통합 및 후기 통합 방법을 평가하고 비교한다.
• 이질성 기반 중간 통합 방법이 표준 필터 기반 특징 선택보다 분류 성능을 향상시킨다는 것을 입증한다.

제안 방법

• 학습된 랜덤 포레스트를 사용하여 쌍별 샘플 거리 측정을 통해 각 영상학적 특징 그룹(시각)을 이질성 행렬로 표현한다.
• RFSVM과 RFDIS를 중간 통합 방법으로 적용하여 이질성 행렬을 조합한 후 분류를 수행한다.
• LateRF와 LateRFDIS를 후기 통합 방법으로 사용하여 각 시각을 별도로 분류한 후 예측 결과를 평균하여 융합한다.
• RFSVM, RFDIS, LateRF, LateRFDIS 등의 방법을 두 가지 조기 통합 접근 방식인 RELF(필터 기반) 및 SVMRFE(워퍼 기반) 특징 선택 후 랜덤 포레스트 분류를 수행한 결과와 비교한다.
• 10겹 교차검증을 실시하며, 훈련/테스트 분할 비율을 50%로 설정하고, 유의수준 α = 0.05 및 α = 0.10에서 통계적 유의성 분석을 위해 신호 검정(-sign test-)을 사용한다.
• 모든 시각에서 이질성 계산에 동일한 초모수를 사용하지만, 향후 연구에서는 시각별 최적화를 고려할 수 있다.

실험 결과

연구 질문

• RQ1 표준 특징 선택을 통한 조기 통합 방식과 비교해 복수 시각 학습 프레임워크가 영상학적 분류 성능을 향상시킬 수 있는가?
• RQ2 다양한 시각에서 유도된 이질성 표현을 중간 통합하는 방법이 필터 또는 워퍼 기반 특징 선택을 통한 조기 통합보다 우수한가?
• RQ3 고차원·저표본 크기(HDLSS) 특성을 지닌 영상학적 과제에서 후기 통합 방법이 조기 통합 방법보다 유의미하게 뛰어나게 되는가?
• RQ4 다양한 영상학적 데이터셋에서 이질성 기반 중간 통합 방법의 성능 향상이 통계적으로 유의미한가?

주요 결과

• 중간 통합 방법인 RFSVM은 nonIDH1 데이터셋에서 82.79% ± 2.37의 최고 정확도를 기록했으며, α = 0.05에서 RELF(74.65%)와 SVMRFE(76.28%)를 유의미하게 뛰어넘었다.
• RFDIS는 nonIDH1에서 80.69% ± 4.17의 정확도를 기록했고, RELF보다 유의미하게 높은 성능(유의수준 p < 0.05)을 보였으며, 이질성 기반 중간 융합의 우수성을 확인했다.
• LateRF와 LateRFDIS는 조기 방법보다 성능 향상을 보였지만, SVMRFE보다는 유의미하게 뛰어나지 않아 이 경우 후기 융합의 이점이 제한적임을 시사했다.
• 모든 영상학적 데이터셋에 대한 평균 순위 분석 결과, RFSVM과 LateRF는 1위(2.12점), RFDIS와 LateRFDIS는 2위(3.25점)를 기록하여 중간 통합 방법의 일관된 우수성을 입증했다.
• 통계 분석 결과, RFSVM, RFDIS, LateRF는 RELF를 유의미하게 뛰어넘었으며(p < 0.05), LateRFDIS는 RELF에 비해 유의미한 향상이 없었다.
• 영상학적 데이터에서의 결과는 비영상학적 데이터셋에서도 관찰된 결과와 유사하여, 이질성 기반 중간 통합 방법이 HDLSS 환경에서의 다중 시각 학습에 있어 강력하고 효과적인 것으로 입증되었다.