[论文解读] DARWIN: A Highly Flexible Platform for Imaging Research in Radiology

Lufan Chang, Wenjing Zhuang+7 more|arXiv (Cornell University)|Sep 2, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 24被引用 9

一句话总结

DARWIN 是一个基于网络、通过图形用户界面驱动的平台，使放射科医生无需编程即可开展放射组学和深度学习研究。它支持自动化的特征提取（1,000 多个特征）、可自定义的机器学习流程，并提供端到端的深度学习工作流及超参数调优，在分类肺腺癌侵袭性方面准确率超过 90%，在肺结节检测中灵敏度达 95%。

ABSTRACT

To conduct a radiomics or deep learning research experiment, the radiologists or physicians need to grasp the needed programming skills, which, however, could be frustrating and costly when they have limited coding experience. In this paper, we present DARWIN, a flexible research platform with a graphical user interface for medical imaging research. Our platform is consists of a radiomics module and a deep learning module. The radiomics module can extract more than 1000 dimension features(first-, second-, and higher-order) and provided many draggable supervised and unsupervised machine learning models. Our deep learning module integrates state of the art architectures of classification, detection, and segmentation tasks. It allows users to manually select hyperparameters, or choose an algorithm to automatically search for the best ones. DARWIN also offers the possibility for users to define a custom pipeline for their experiment. These flexibilities enable radiologists to carry out various experiments easily.

研究动机与目标

• 通过提供无需代码、用户友好的界面，解决放射科医生编程技能有限的问题，以支持医学影像研究。
• 克服现有平台仅支持特定影像模态、特征数量有限或缺乏深度学习集成的局限性。
• 通过拖放功能，使放射科医生能够构建、自定义并执行复杂的机器学习流程，用于放射组学和深度学习任务。
• 通过自动超参数调优和可自定义的计算图，同时支持放射组学和深度学习工作流。
• 通过在单一平台上集成数据预处理、模型训练、可视化和报告生成，促进临床研究。

提出的方法

• 采用浏览器/服务器（B/S）架构，通过基于网络的访问实现跨平台兼容性（Windows、macOS、Linux）。
• 集成 PyRadiomics，从医学影像中提取超过 1,000 个一阶、二阶及高阶放射组学特征。
• 提供图形化计算图界面，用户通过拖放节点构建工作流，用于图像加载、预处理、特征提取和模型训练。
• 支持监督与非监督机器学习模型（如 SVM、随机森林）以及深度学习架构（如 3D RetinaNet），用于分类、检测和分割任务。
• 通过内置优化算法实现手动或自动的超参数调优，以提升模型性能。
• 允许用户定义自定义流程，并可视化高维数据，包括特征重要性与模型性能指标。

实验结果

研究问题

• RQ1 基于图形界面的平台能否降低放射科医生在放射组学与深度学习研究中的编程门槛？
• RQ2 灵活且可自定义的流程系统在多大程度上能提升医学影像实验的可重复性与效率？
• RQ3 放射组学与深度学习的集成在区分复杂组织病理学表现（如复发性胶质母细胞瘤与放射性坏死）方面效果如何？
• RQ4 在无代码环境中，自动特征选择与超参数调优能否实现与经验丰富的放射科医生相当或更优的肺结节分类性能？
• RQ5 该平台在多模态影像分析与多样化临床任务中的复杂模型训练方面支持程度如何？

主要发现

• DARWIN 平台在预测纯磨玻璃结节中肺腺癌侵袭性方面达到 90.24% 的测试准确率，优于具有 10 年和 20 年经验的放射科医生。
• 在肺结节检测中，3D RetinaNet 模型在每幅扫描 8 个假阳性条件下灵敏度超过 0.95，显示出在包含 10,701 例 CT 扫描的大规模数据集上的高性能表现。
• 该平台成功识别出四个关键放射组学特征——JointEntropy、Strength、MCC 和 Skewness，其重要性与胶质母细胞瘤和坏死之间的组织学差异显著相关。
• 通过 LASSO 和递归特征消除进行特征选择，将 1,223 个特征缩减至 6 个，最终的 SVM 模型在测试集上表现出高特异性（89.66%）与高敏感性（91.67%）。
• 计算图界面实现了高效的模型训练与可视化，整个肺结节检测工作流在配备 8 块 TITAN RTX GPU 的服务器上运行了 8 小时。
• 平台生成实验报告并可视化高维数据的能力，显著简化了研究流程，并支持生成可发表的分析结果。