[论文解读] Interpreting extracted rules from ensemble of trees: Application to computer-aided diagnosis of breast MRI

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

AI in cancer detection参考文献 9被引用 9

一句话总结

该论文提出了一种基于规则提取的可解释计算机辅助诊断（CAD）系统，用于乳腺MRI，结合T1加权动态对比增强（DCE-MRI）和T2加权（T2w）特征，以区分恶性与良性病灶。该系统利用集成提升树方法，从病灶特征中提取临床可解释的规则，包括BIRADS T2w信号强度类别和病灶-肌肉信号比（LMSIR），并通过加权节点图可视化分类决策，交叉验证AUC达到0.84。

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.

研究动机与目标

• 通过使特征和决策与放射科诊断标准对齐，提升乳腺MRI中CAD系统的可解释性。
• 基于原始图像数据，使用集成提升树方法，为T2w成像特征（BIRADS类别和LMSIR）建立预测模型。
• 将多参数特征（动力学、形态学、纹理及T2w）整合到统一的CAD分类器中，实现透明的决策规则。
• 通过基于图的规则表示法可视化病灶分类结果，突出关键决策路径和特征贡献。
• 在包含627个乳腺病灶的回顾性队列中，基于组织病理学金标准，评估系统的性能与可解释性。

提出的方法

• 使用交互式3D种子区域生长算法在T1w DCE-MRI上进行病灶分割，以定义感兴趣体积（VOI）。
• 从VOI中提取了共99个T1w CE-MRI特征（34个动力学特征，19个形态学特征，46个纹理特征）和45个T2w特征（80个体素强度相关特征，20组分散度相关特征）。
• 通过集成提升树方法推导出两个可解释的T2w特征：(1) 基于三步级联分类器的BIRADS T2w信号强度类别；(2) 基于回归树的LMSIR。
• 基于单变量分布分位数，将特征值转换为有序类别（极低、低、中等、高、极高），以支持规则提取。
• 基于集成决策树的节点收割分类器被训练用于预测恶性程度，规则被提取并以图形式可视化，其中节点大小反映权重，颜色表示特征组。
• 通过突出显示最具影响力的4个节点（按权重），可视化分类决策，条件映射至有序特征类别。

实验结果

研究问题

• RQ1 能否通过使用可解释模型从原始图像数据中提取T2w成像特征，来提升CAD系统的性能并增强放射科医生的信任？
• RQ2 集成提升树方法在多大程度上能基于图像特征准确预测放射科医生报告的BIRADS T2w信号强度类别？
• RQ3 在多参数CAD系统中引入T2w特征，能在多大程度上提升其可解释性与准确性？
• RQ4 能否将集成树中提取的规则决策路径以图形方式可视化，以支持放射科医生对病灶分类的理解？
• RQ5 最终CAD分类器在同时使用T1w和T2w特征时，区分恶性与良性病灶的性能如何？

主要发现

• 基于级联的BIRADS T2w信号强度预测器在分类的三个阶段分别达到中位AUC为0.71、0.82和0.85，'轻度高信号'类别的准确率达86%。
• LMSIR预测器在10折交叉验证中达到中位均方根误差（RMSE）为0.89（IQR：0.47–1.58）。
• 最终的节点收割分类器在全部627个病灶的10折交叉验证中，中位AUC为0.84（95%置信区间：0.81–0.86）。
• 在良性纤维腺瘤病例中，系统正确将病灶分类为良性（恶性概率P=0.45），其中权重最高的节点（22%）表明基于T2w高信号的恶性概率较低（P=0.07）。
• 在恶性原位导管癌病例中，系统正确将病灶分类为恶性（恶性概率P=0.64），其中两个最大节点表明基于T1w动态和纹理特征的恶性概率较高。
• 图形化可视化有效突出了关键决策规则，通过特征颜色编码和节点大小与影响程度成比例，实现了对分类逻辑的直接解读。