[论文解读] Dissimilarity-based representation for radiomics applications

Hongliu Cao, Simon Bernard+2 more|arXiv (Cornell University)|Mar 12, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 15被引用 8

一句话总结

本文提出了一种基于差异性的多视角学习框架用于放射组学，将肿瘤特征视为多个独立的视角，而非将其拼接为单一高维空间。通过使用基于随机森林的差异性度量（RFSVM 和 RFDIS）进行中间融合，该方法在四个真实放射组学数据集上的表现显著优于传统的基于过滤器的特征选择（如 RELF、SVMRFE）的早期融合方法，非-IDH1 分类任务中准确率最高达到 82.79%，且 p < 0.05 显著性水平显著。

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.

研究动机与目标

• 解决具有多个互补特征组的高维、小样本（HDLSS）放射组学数据的挑战。
• 将放射组学分类重新构视为多视角学习问题，以更好地利用不同特征组之间的互补信息。
• 评估并比较放射组学中早期融合（特征选择）与中间融合及晚期融合方法的性能。
• 证明基于差异性的中间融合方法在分类性能上优于标准的基于过滤器的特征选择方法。

提出的方法

• 使用训练好的随机森林计算成对样本距离，将每个放射组学特征组（视角）表示为差异性矩阵。
• 应用 RFSVM 和 RFDIS 作为中间融合方法，在分类前结合差异性矩阵。
• 使用 LateRF 和 LateRFDIS 作为晚期融合方法，分别对每个视角进行分类，然后通过平均融合预测结果。
• 将这些方法与两种早期融合方法进行比较：基于过滤器的 RELF 和基于包装器的 SVMRFE 特征选择，随后使用随机森林进行分类。
• 采用 10 折交叉验证，训练/测试集比例为 50%，并在 α = 0.05 和 α = 0.10 水平下使用符号检验进行显著性分析。
• 所有视角的差异性计算均使用相同的超参数，尽管未来工作可探索视角特定的调优。

实验结果

研究问题

• RQ1 与标准的早期融合特征选择相比，多视角学习框架是否能提升放射组学分类性能？
• RQ2 结合多个视角差异性表示的中间融合方法是否优于基于过滤器或包装器的早期特征选择？
• RQ3 在具有 HDLSS 特性的放射组学任务中，晚期融合方法是否显著优于早期融合方法？
• RQ4 基于差异性的中间融合方法在多种放射组学数据集上的性能提升是否具有统计显著性？

主要发现

• 中间融合方法 RFSVM 在 nonIDH1 数据集上达到最高准确率 82.79% ± 2.37，显著优于 RELF（74.65%）和 SVMRFE（76.28%），显著性水平为 α = 0.05。
• RFDIS 在 nonIDH1 数据集上达到 80.69% ± 4.17，显著优于 RELF（p < 0.05），证实了基于差异性的中间融合具有优势。
• LateRF 和 LateRFDIS 表现优于早期方法，但与 SVMRFE 相比无显著差异，表明在此情境下晚期融合的收益有限。
• 所有放射组学数据集上的平均排名显示，RFSVM 和 LateRF 排名第一（2.12），而 RFDIS 和 LateRFDIS 排名第二（3.25），表明中间方法具有持续优势。
• 统计分析确认，RFSVM、RFDIS 和 LateRF 显著优于 RELF（p < 0.05），而 LateRFDIS 与 RELF 相比无显著提升。
• 放射组学数据的结果与非放射组学数据集的发现一致，验证了基于差异性的中间融合在 HDLSS 多视角学习中具有鲁棒性和有效性。