[논문 리뷰] Interpreting extracted rules from ensemble of trees: Application to computer-aided diagnosis of breast MRI

Cristina Gallego-Ortiz, Anne L. Martel|arXiv (Cornell University)|2016. 06. 27.

AI in cancer detection참고 문헌 9인용 수 9

한 줄 요약

이 논문은 유방 MRI의 악성 및 양성 병변을 구분하기 위해 T1강조 동적 대조 강화(MRI) 및 T2강조(T2w) 특징을 융합한 규칙 추출형 해석 가능한 컴퓨터 지원 진단(CAD) 시스템을 제안한다. 앙상블 부스팅 트리 기반으로 병변 특징(예: BIRADS T2w 신호 강도 카테고리 및 병변-근육 신호비율(LMSIR))에서 임상적으로 해석 가능한 규칙을 추출하고, 가중치가 부여된 노드 그래프를 통해 분류 결정 과정을 시각화하여 교차 검증에서 AUC 0.84를 달성하였다.

ABSTRACT

High predictive performance and ease of use and interpretability are important requirements for the applicability of a computer-aided diagnosis (CAD) to human reading studies. We propose a CAD system specifically designed to be more comprehensible to the radiologist reviewing screening breast MRI studies. Multiparametric imaging features are combined to produce a CAD system for differentiating cancerous and non-cancerous lesions. The complete system uses a rule-extraction algorithm to present lesion classification results in an easy to understand graph visualization.

연구 동기 및 목표

• 유방 MRI의 CAD 시스템에서 특징과 결정 과정을 방사선의사 진단 기준과 일치시켜 해석 가능성 향상.
• 원시 영상 데이터 기반 앙상블 부스팅 트리로 T2w 영상 특징(BIRADS 카테고리 및 LMSIR)에 대한 예측 모델 개발.
• 역동성, 형태학적, 질감 및 T2w 특징을 포함한 다중 매개변수 특징을 통합한 CAD 분류기 구축 및 투명한 결정 규칙 제공.
• 핵심 결정보다 중요한 결정 경로와 특징 기여도를 강조하는 그래프 기반 규칙 표현을 통해 병변 분류 결과를 시각화.
• 히스토패스로지컬 기준이 확정된 627개의 유방 병변으로 구성된 후향적 코hort에서 시스템 성능 및 해석 가능성 평가.

제안 방법

• VOI(관심 영역)를 정의하기 위해 T1w DCE-MRI에서 상호작용식 3차원 시드 기반 영역 확장 알고리즘을 사용하여 병변 세그먼테이션 수행.
• VOI에서 총 99개의 T1w CE-MRI 특징(34개 동역학적, 19개 형태학적, 46개 질감 기반)과 45개의 T2w 특징(80개 강도 기반, 20개 산산화 기반)을 추출.
• 해석 가능한 T2w 특징 두 가지를 앙상블 부스팅을 통해 유도: (1) BIRADS T2w 신호 강도 카테고리(3단계 계단식 분류기), (2) LMSIR(회귀 트리 기반).
• 규칙 추출을 가능하게 하기 위해 단변량 분포 분위수 기반으로 특징 값들을 순서형 카테고리(매우 낮음, 낮음, 보통, 높음, 매우 높음)로 변환.
• 결합된 결정 트리 기반의 노드 수확 분류기 학습을 통해 악성도 예측 수행하며, 규칙는 가중치가 반영된 그래프 형태로 추출 및 시각화(노드 크기: 가중치, 색상: 특징 그룹 반영).
• 분류 결정은 영향력이 가장 높은 4개의 노드(가중치 기준)를 강조 표시하고, 조건은 순서형 특징 카테고리로 매핑.

실험 결과

연구 질문

• RQ1 원시 영상 데이터에서 해석 가능한 모델을 사용해 유도한 T2w 영상 특징이 CAD 성능 향상과 방사선의사 신뢰도 향상에 기여하는가?
• RQ2 앙상블 부스팅 트리가 영상 기반 특징으로부터 방사선의사가 보고한 BIRADS T2w 신호 강도 카테고리를 얼마나 잘 예측할 수 있는가?
• RQ3 T2w 특징의 통합이 다중 매개변수 유방 MRI CAD의 해석 가능성과 정확도 향상에 어느 정도 기여하는가?
• RQ4 앙상블 트리에서 추출한 규칙 기반 결정보다 병변 분류 과정을 시각적으로 맵핑하여 방사선의사의 이해를 지원할 수 있는가?
• RQ5 T1w 및 T2w 특징을 모두 사용한 최종 CAD 분류기의 악성과 양성 병변을 구분하는 성능은 어떠한가?

주요 결과

• BIRADS T2w 신호 강도 카테고리에 대한 계단식 예측기의 경우, 분류의 세 단계에서 각각 중앙 AUC 0.71, 0.82, 0.85를 기록하였으며, '약간 고신호 강도' 카테고리의 정확도는 86%였다.
• LMSIR 예측기의 경우 10겹 교차 검증에서 중앙 루트 평균 제곱 오차(RMSE)가 0.89(IQR: 0.47–1.58)를 기록하였다.
• 최종 노드 수확 분류기의 경우 627개 병변에 대한 10겹 교차 검증에서 중앙 AUC 0.84(95% 신뢰구간: 0.81–0.86)를 달성하였다.
• 양성 섬유선종의 경우, 시스템은 병변을 정상으로 올바르게 분류하였으며(P(악성도) = 0.45), 영향력이 가장 높은 노드(22%)는 T2w 고신호 강도 기반으로 악성도 확률이 낮음(P = 0.07)을 나타내었다.
• 악성 유방 내부 유두암의 경우, 시스템은 병변을 악성으로 정확히 분류하였으며(P(악성도) = 0.64), 가장 큰 두 개의 노드는 T1w 동역학성 및 질감 특징 기반으로 높은 악성도 확률을 반영하고 있었다.
• 그래픽 시각화 기법은 핵심 결정보다 중요한 규칙을 효과적으로 강조하였으며, 특징 색상 코딩과 영향력에 비례하는 노드 크기를 통해 분류 논리의 직접적 이해를 가능하게 하였다.