[논문 리뷰] Stable prediction with radiomics data

Carel F.W. Peeters, Caroline Übelhör외 10명|arXiv (Cornell University)|2019. 03. 27.

Radiomics and Machine Learning in Medical Imaging참고 문헌 34인용 수 3

한 줄 요약

이 논문은 다중공선성과 고차원 특징을 가진 영상학적 특징을 冗 redundancy-필터링된 요인 분석을 통해 낮은 차원의 잠재 공간으로 투영함으로써 영상학적 예측의 안정성을 높이는 FMradio를 제안한다. 이는 편평세포 암에서 생존 예측에 있어 기존 방법들을 능가하며 내부 및 외부 검증 모두에서 예측 오차가 가장 낮고 설명된 분산 비율이 가장 높다.

ABSTRACT

Motivation: Radiomics refers to the high-throughput mining of quantitative features from radiographic images. It is a promising field in that it may provide a non-invasive solution for screening and classification. Standard machine learning classification and feature selection techniques, however, tend to display inferior performance in terms of (the stability of) predictive performance. This is due to the heavy multicollinearity present in radiomic data. We set out to provide an easy-to-use approach that deals with this problem. Results: We developed a four-step approach that projects the original high-dimensional feature space onto a lower-dimensional latent-feature space, while retaining most of the covariation in the data. It consists of (i) penalized maximum likelihood estimation of a redundancy filtered correlation matrix. The resulting matrix (ii) is the input for a maximum likelihood factor analysis procedure. This two-stage maximum-likelihood approach can be used to (iii) produce a compact set of stable features that (iv) can be directly used in any (regression-based) classifier or predictor. It outperforms other classification (and feature selection) techniques in both external and internal validation settings regarding survival in squamous cell cancers.

연구 동기 및 목표

• 고차원적 다중공선성으로 인한 표준 기계학습 분류기의 불안정성 문제를 해결하기 위해.
• 분류 및 예측 작업에서 영상학적 특징의 후속 분석을 위한 강력하고 사용하기 쉬운 파ip라인 개발을 위해.
• 영상학적 데이터를 활용한 편평세포 암의 생존 모델링에서 예측 성능과 특징 안정성을 향상시키기 위해.
• 현재 영상학 연구에서의 격차를 메우기 위해 전용으로 검증된 워크플로우를 제공하기 위해.

제안 방법

• 첫째, 다중공선성을 줄이기 위해 부재성 필터링된 상관행렬에 정규화된 최대우도 추정을 적용한다.
• 둘째, 필터링된 상관행렬에 대해 최대우도 요인 분석을 수행하여 잠재 요인을 추출한다.
• 셋째, 유도된 요인들을 후속 모델링을 위한 압축되고 안정적인 특징 집합으로 사용한다.
• 넷째, 안정적인 잠재 특징을 임의의 회귀 기반 분류기나 예측기로 직접 통합한다.
• 부재성 필터링과 이중 단계 최대우도 추정을 결합하여 안정성과 해석 가능성을 보장한다.
• FMradio R 패키지는 전체 파이프라인을 구현하여 재현 가능하고 확장 가능한 분석을 가능하게 한다.

실험 결과

연구 질문

• RQ1 이중 단계 최대우도 접근법이 고차원 영상학적 데이터의 다중공선성을 줄이고 예측 안정성을 향상시킬 수 있는가?
• RQ2 FMradio는 표준 특징 선택 및 분류 기법과 비교해 예측 성능와 안정성 측면에서 어떻게 다른가?
• RQ3 부재성 필터링이 영상학적 데이터에서 생존 모델의 성능을 향상시키는가?
• RQ4 요인 분석에서 유도된 잠재 특징들이 외부 검증 환경에서도 강력한 예측기로 기능할 수 있는가?
• RQ5 다중공선성이 영상학적 분류에서 특징 선택의 유일성과 안정성에 어떤 영향을 미치는가?

주요 결과

• FMradio는 교차검증된 통합 브리어 스코어가 0.108로, Cox 부스팅(0.109)과 랜덤 생존 숲(0.113)을 포함한 다른 방법들보다 유의미하게 떨어지지 않았다.
• 이 방법은 평균 교차검증 설명 분산(R²)이 0.169로 평가된 모든 접근법 중에서 가장 높았다.
• 내부 검증에서 FMradio는 예측 오차 곡선이 가장 안정하고 R² 값이 가장 높아 뛰어난 강건성을 보였다.
• 부재성 필터링은 모든 경쟁 방법의 성능을 향상시켰지만, FMradio는 여전히 가장 안정적이고 정확한 전반적 성능을 유지했다.
• 요인 분석에서 도출된 잠재 특징들은 내부 및 외부 검증 환경 모두에서 일관되게 예측 가능하고 안정적이었다.