Artykuł metodologiczny

Wybór cech radiomic przy użyciu strat gradientowych głębokiej sieci neuronowej do wykrywania stadium raka płuca

DOI:

10.3791/70181

⸱

30 kwietnia 2026

 ,  ,  ,  , 
1Department of Software Engineering, Bahria University, 2Global College of Engineering and Technology, 3Software Engineering & Business Incubation Center, Bahria University Karachi

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Prezentowany tutaj jest metoda wyboru cech oparta na deep learningu, która wykorzystuje gradienty funkcji straty sieci neuronowej względem cech wejściowych, aby zidentyfikować i uporządkować te, które najsilniej wpływają na wykrywanie stopnia raka płuc.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Radiomics umożliwia ekstrakcję ilościowych biomarkerów obrazowych z obrazów medycznych i stało się ważnym narzędziem do komputerowej diagnozy raka. Jednak zbiory danych radiomics mają zwykle dużą wymiarowość przy ograniczonych rozmiarach prób, co sprawia, że selekcja cech jest kluczowy krok w budowaniu niezawodnych modeli predykcyjnych. Niniejsze badanie proponuje ramy dla gradientowo-utratowej rekurencyjnej eliminacji cech (GL-RFE), które integrują analizę wrażliwości gradientu z głębokiej sieci neuronowej w celu zidentyfikowania najbardziej wpływowych cech radiomics do wykrywania stopnia zaawansowania raka płuc. Łącznie 106 cech radiomics zostało wyodrębnionych ze skanów tomografii komputerowej (CT) klatki piersiowej za pomocą rozszerzenia PyRadiomics platformy 3D Slicer. Proponowana metoda ocenia wagę cech poprzez obliczanie gradientów utraty sieci w odniesieniu do wejściowych cech i rekurencyjnie eliminuje cechy o minimalnym wkładzie. Wynikowe top 15 cech radiomics jest używane do trenowania klasyfikatora głębokiej sieci neuronowej w celu rozróżnienia wczesnego i zaawansowanego stadium raka płuc. Proponowana ramka osiąga mocną wydajność klasyfikacji, z dokładnością 90,22%, precyzją 90,10%, przypomnieniem 90,24% i wynikiem F1 90,16% na zestawie danych testowych. Analizy wizualne, w tym mapy cieplne korelacji i wykresy rozkładu, dodatkowo potwierdzają zmniejszenie redundancji cech i poprawę rozdzielania klas. W porównaniu z konwencjonalnymi technikami wyboru cech, GL-RFE skutecznie uchwytuje nieliniowe interakcje cech i poprawia uogólnienie modelu. Przedstawiony protokół zapewnia powtarzalną i interpretowalną metodologię wykrywania stopnia zaawansowania raka opartą na radiomics. Jest szczególnie odpowiedni dla wysokowymiarowych, małych prób danych biomedycznych i ma potencjalne zastosowania w innych dziedzinach, takich jak genomika i multimodalna analiza kliniczna.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Rak płuc pozostaje jednym z głównych typów nowotworów, stanowiąc poważne zagrożenie dla zdrowia, które często prowadzi do śmierci1. Radiomika umożliwia ilościową charakterystykę obrazów medycznych poprzez ekstrakcję dużych zestawów cech opisujących kształt, teksturę i wzorce intensywności guza2,3. Cechy te, określane również mianem cech ręcznie projektowanych (handcrafted features), służą jako potencjalne biomarkery w diagnostyce, prognozowaniu i ocenie odpowiedzi na leczenie raka płuc. Jednak zestawy danych radiomicznych są zazwyczaj wysokowymiarowe i ograniczone pod względem liczby próbek, co prowadzi do występowania redundantnych i szumnych cech, które obniżają wydajność modelu4,5,6,7. W związku z tym efektywna i wyjaśnialna selekcja cech jest kluczowa dla opracowania odpornych modeli predykcyjnych opartych na radiomice.

Tradycyjne podejścia do selekcji cech, takie jak metody filtrowania (np. analiza korelacji, analiza wariancji [ANOVA], informacja wzajemna) oraz metody opakowujące (np. sekwencyjna selekcja cech, rekurencyjna eliminacja cech), są szeroko stosowane w modelach wykrywania nowotworów opartych na radiomice4,8,9. Często jednak nie udaje im uchwycić nieliniowych interakcji między cechami oraz głębokich zależności kontekstowych właściwych dla danych radiomicznych9,10,11. W klasyfikacji obrazów medycznych badano techniki zespołowego uczenia cech, które osiągnęły umiarkowaną dokładność, mogącą zostać w dalszym stopniu poprawiona12.

Metody głębokiego uczenia, w szczególności głębokie sieci neuronowe (DNN), wykazały wyjątkową zdolność do modelowania nieliniowych i hierarchicznych zależności między cechami a wynikami, co czyni je idealnymi do kierowania procesem selekcji cech oraz dostarczania dokładnych modeli wykrywania nowotworów13,14. W tym kontekście badano potencjał wykorzystania splotowej sieci neuronowej, multimodalnych technik AI oraz VCG-16, czyli wstępnie wytrenowanego modelu do diagnostyki nowotworów1,15,16. Zaproponowano, wytrenowano i przetestowano na dużej liczbie obrazów hybrydowy model głębokiego uczenia17, obejmujący wstępnie wytrenowany model VGG-19 oraz sieci długo- i krótkotrwałej pamięci (LSTM), który osiągnął dokładność przekraczającą 99%.

Poza wykrywaniem nowotworów, badania prowadzono również w zakresie określania stadium zaawansowania raka. Hugo i wsp.18 opracowali model sieci neuronowej z jednokierunkowym przepływem informacji na podstawie bazy danych NSCLC obejmującej 300 pacjentów, aby klasyfikować stopnie zaawansowania nowotworu I, II i III z dokładnością 74,52% w testowaniu modelu. Zaprezentowano również opartą na radiomice metodę inwersji bayesowskiej3 do wykrywania stadium raka płuc z wykorzystaniem zbioru danych NLST na próbie 200 osób. Zaproponowana metoda osiągnęła dokładność 86%. Przegląd literatury wykazał, że większość badań nad wykrywaniem nowotworów skupiała się wyłącznie na klasyfikacji guzów łagodnych i złośliwych, a tylko nieliczne zajmowały się klasyfikacją stadium zaawansowania raka, osiągając dokładność poniżej 90%, co pozostawia pole do dalszych ulepszeń. Niniejsza praca badawcza odnosi się do wspomnianej luki badawczej i proponuje solidne ramy klasyfikacji opartej na cechach radiomicznych w celu dokładnego określania stadium zaawansowania raka płuc.

W niniejszym badaniu wprowadzono strukturę rekurencyjnej eliminacji cech opartą na gradiencie straty (GL-RFE), integrującą wsteczną propagację gradientu z sieci neuronowych w procesie RFE. W przeciwieństwie do konwencjonalnych metod RFE, które opierają się na statycznych metrykach istotności cech, GL-RFE wykorzystuje gradienty funkcji straty względem każdej cechy wejściowej, aby zmierzyć, jak silnie każda z nich wpływa na predykcje modelu. Poprzez iteracyjne usuwanie cech o minimalnym wkładzie gradientu, przedstawiony model dokonuje selekcji 15 najważniejszych cech diagnostycznych zoptymalizowanych pod kątem wykrywania stadium raka płuca dla 2 klas (połączone stadium I i II oraz połączone stadium IIIa i IIIb). Schemat blokowy wykonanej pracy przedstawiono na Rysunku 1. Jako zbiór danych dotyczący raka płuca dla zaprezentowanego modelu wybrano NSCLC Radiomics19, zawierający 411 wolumenów w formacie digital imaging and communications in medicine (DICOM) wraz z klinicznymi informacjami o stadium nowotworu. Z każdego wolumenu DICOM raka płuca wyekstrahowano łącznie 106 cech radiomicznych 3D przy użyciu PyRadiomics20, będącego rozszerzeniem oprogramowania open source 3D Slicer21. Cechy te należą do siedmiu klas cech22, obejmujących: kształt (shape), metodę różnic poziomów szarości (GLDM), macierz współwystępowania poziomów szarości (GLCM), cechy pierwszego rzędu (first order), macierz długości serii poziomów szarości (GLRLM), macierz stref wielkości poziomów szarości (GLSZM) oraz macierz różnic tonów szarości w sąsiedztwie (NGTDM). Dane radiomiczne klasy mniejszościowej (stadium I i II) zostały nadpróbkowane przy użyciu techniki syntetycznego nadpróbkowania klasy mniejszościowej (SMOTE)23.

Nowatorstwo proponowanego modelu GL-RFE polega na zintegrowaniu analizy wrażliwości opartej na gradiencie, pochodzącej z treningu sieci neuronowej, z procesem rekurencyjnej eliminacji cech. W przeciwieństwie do konwencjonalnych podejść RFE, które opierają się na statycznych miarach istotności, GL-RFE dynamicznie ocenia istotność cech poprzez gradienty funkcji straty propagowane wstecz. Umożliwia to identyfikację cech bezpośrednio wpływających na przewidywania modelu dotyczące stadium raka, przy jednoczesnym zachowaniu interpretowalności i wykonalności obliczeniowej dla stosunkowo niewielkich zbiorów danych medycznych.

Zbiór danych wykorzystany do trenowania i testowania proponowanego schematu to publicznie dostępny zbiór obrazów CT 422 pacjentów z rakiem płuc, znany jako NSCLC Radiomics17. Dla każdego pacjenta zestaw danych obejmuje wolumen CT, zestaw struktur radioterapeutycznych DICOM (RTSTRUCT) oraz plik segmentacji DICOM (SEG). Pliki te zawierają wykonane przez radioterapeutę manualne obrysy trójwymiarowej objętości głównej masy guza (GTV-1) oraz obraz płuc. Zbiór danych jest zestawem wstępnie przetworzonym, a wymiary obrazów wynoszą 512 x 512 pikseli.

Ze względu na nieliniowy charakter ręcznie opracowanych cech radiomicznych, nie mogą być one bezpośrednio wykorzystywane w modelach głębokiego uczenia do diagnozowania nowotworów, a ich immanentne wzorce danych muszą zostać uchwycone przy użyciu technik AI. Metoda GL-RFE szereguje cechy na podstawie wielkości gradientu straty modelu L względem każdej cechy wejściowej xi​.

Dla każdej cechy wejściowej xi​, średni gradient bezwzględny jest obliczany w następujący sposób:

Równanie teorii informacji, I(xi)=1/N∑Nj=1 (∂Lj/∂xij); formuła matematyczna stosowana w analizie.   (1)

W tym przypadku N oznacza całkowitą liczbę próbek. Lj  to strata dla j-tej próbki. xij to i-ta cecha j-tej próbki. Pochodna cząstkowa L_j względem x_ij; równanie; rachunek różniczkowy; analiza matematyczna; edukacja. reprezentuje czułość straty w odniesieniu do cechy wejściowej.

Cechy o niskich wartościach gradientu mają minimalny wpływ na aktualizacje modelu i są rekurencyjnie eliminowane. Proponowany schemat eliminacji radiomicznych cech o niskim gradiencie przy użyciu wielowarstwowego perceptrona (MLP) oraz trenowania głębokiej sieci neuronowej (DNN) na podstawie 15 najważniejszych cech przedstawiono na Rysunku 1. Następnie oceniono skuteczność metody GL-RFE w zakresie selekcji cech.

Wspomniany model głębokiego uczenia z metodą GL–RFE został zaimplementowany w notatniku Jupyter w środowisku Google Colab, który umożliwia pisanie i wykonywanie kodu Python w środowisku online. Aby skompilować kod, należy pobrać różne pakiety wymienione w krokach protokołu i materiałach. Stosując metodę opisaną w sekcji Protokół, zidentyfikowano 15 najważniejszych cech radiomicznych służących do wykrywania raka płuc, które następnie wykorzystano do precyzyjnego wykrywania nowotworu w zbiorach danych testowych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Ekstrakcja cech radiomic z użyciem rozszerzenia 3D Slicer PyRadiomics

UWAGA: Poniższe kroki są zaprojektowane, aby obliczyć cechy radiomiczne pliku DICOM TK płuc przy użyciu rozszerzenia 3D Slicer PyRadiomics i zapisać je w pliku w formacie CSV (rozdzielone przecinkami).

  1. Zainstaluj i otwórz 3D Slicer (użyj najnowszej stabilnej wersji z https://download.slicer.org/.
  2. Zainstaluj rozszerzenie PyRadiomics i RT Slicer.
    1. W pasku menu przejdź do Widok > Menedżer rozszerzeń. Następnie wyszukaj Radiomics lub SlicerRadiomics i RT Slicer.
    2. Kliknij Zainstaluj, aby zainstalować biblioteki RT Slicer i PyRadiomics. Uruchom ponownie 3D Slicer po zainstalowaniu.
  3. Pobierz NSCLC RADIOMICS.
    1. Pobierz zestawy danych DICOM TK płuc wraz z plikami SEG, RTSTRUCT dla 422 pacjentów z https://www.cancerimagingarchive.net/collection/nsclc-radiomics/
  4. Załaduj dane DICOM TK płuc.
    1. Przejdź do modułu DICOM. Kliknij Importuj i wybierz folder zawierający DICOM kroju TK i ich plik SEG w modalności RTSTRUCT.
    2. Po imporcie dwukrotnie kliknij pacjenta/badanie/serię, aby załadować je do sceny Slicer. 3D objętość TK powinna być widoczna w panelu widoku, jak pokazano na Rysunek 2.
  5. Sprawdź wyrównanie geometrii.
    1. W module Dane rozwiń zarówno objętość TK, jak i segmentację. Upewnij się, że segmentacja leży dokładnie na TK (bez niedopasowania).
  6. Otwórz moduł Radiomics.
    1. Wybierz moduł Radiomics z sekcji modułów (lub wyszukaj go w pasku wyszukiwania modułów). W polu Wejściowa objętość obrazu wybierz żądaną objętość TK.
    2. W polu Etykieta wejściowa/Segmentacja wybierz węzeł segmentacji (ROI).
  7. Dostosuj parametry dostosowywania ekstrakcji.
    1. Ustaw Przestrzenie pikseli po resamplingu = [1,1,1] (zapewnia izotropowe woluminy) i Szerokość binu = 25 (standard dla TK). Ustaw Rozmiar jądra LoG =2.0, 3.0, 4.0, 5.0.
  8. Uruchom ekstrakcję cech.
    1. Kliknij Zastosuj. Oprogramowanie obliczy teraz 3D cechy pierwszego rzędu, kształtu i tekstury (GLCM, GLRLM, GLSZM, GLDM i NGTDM). Wyświetl tabelę, aby zweryfikować obliczone tabele, jak pokazano na Rysunek 3. Wyprowadź plik csv ze wszystkimi wyciągniętymi cechami.
    2. Powtórz powyższy proces dla wszystkich woluminów DICOM pobrane z zestawu danych NSCLC RADIOMICS i zapisz je jako pojedynczy plik “radiomics.csv”.

2. Opracowanie modelu wykrywania raka opartego na radiomikach za pomocą bibliotek Python

UWAGA: Poniższe kroki są podsumowane dla użytkownika, aby opracować, wytrenować i przetestować model wykrywania raka za pomocą bibliotek Python z cechami radiomicznymi zestawów danych TK.

  1. Sformatuj zestaw danych radiomicznych zapisanych w formacie csv, tak aby każdy wiersz reprezentował jednego pacjenta/próbkę, a każda kolumna reprezentowała cechę. Uwzględnij jedną kolumnę etykiety dla etykiet klas.
  2. Otwórz nowy notebook Jupyter w środowisku Colab i zacznij pisać kod, deklarując podane poniżej definicje funkcji i wbudowane funkcje Python w kroku 2.3.
  3. Podaj polecenie, aby zainstalować Pytorch, torchvision, scikit-learn, numpy, pandas matplotlib i imbalanced-learn na notebooku Jupyter.
  4. Napisz funkcję files.upload(), aby zabrać plik csv z użytkownikiem i przechowywać go w zmiennych x i y.
  5. Normalizuj przechowywane dane za pomocą funkcji scaler = StandardScaler() i scaler.fit_transform().
  6. Zdefiniuj funkcję perceptronu wielowarstwowego MLP(nn.Module()) z konfigurowalnymi warstwami ukrytymi.
  7. Zdefiniuj funkcję trenowania def train_epoch(), aby obliczyć stratę propagacji wstecznej z modelu MLP z wejściami.
  8. Na liczbę epok, zdefiniuj funkcję def compute_input_gradients(), aby obliczyć średnie gradienty straty względem cech wejściowych i iteracyjnie usuwać cechę o najniższym gradientzie, czyli mniej ważną, aż zostanie 15 cech.
  9. Podziel dane w proporcji 80% 20% za pomocą funkcji train_test_split() z wybranymi 15 cechami. Zastosuj 5-krotną walidację krzyżową przy użyciu StratifiedKFold(n_splits=5) na danych treningowych, aby zapewnić solidność.
  10. Utwórz dużą sieć neuronową MLP final_model = DNN().
  11. Oceń wydajność wytrenowanego modelu za pomocą danych testowych za pomocą następujących funkcji: def plot_confusion_matrix(),

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Podsumowanie zbioru danych
Zbiór danych radiomicznych NSCLC obejmuje 422 wolumeny TK pacjentów z rakiem płuca w stopniu I, II i III. Podczas gdy liczba zbiorów TK z rakiem we wczesnym stadium (I, II) wynosi 134, liczba próbek danych z rakiem w stadium zaawansowanym (IIIa, IIIb) wynosi 288. Zbiór danych wykazywał znaczną nierównowagę klas, z większą liczbą przypadków w stadium zaawansowanym (stopień III) w porównaniu do przypadków we wczesnym stadium (stopień I i stopień II). Aby rozwiązać problem tej...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wytrzymałość i niezawodność zaproponowanego ramowania są widoczne na podstawie wysokich wartości wskaźników ewaluacji, w tym dokładności, odzyskania, precyzji i wskaźnika F-124. Wszystkie uzyskane wyniki przekroczyły 90% wydajności na danych testowych z 5-krotnym CV zastosowanym podczas szkolenia MLP.

Wydajność i ważność zaproponowanego ramowania GL-RFE zostały dodatkowo wsparte za pomocą technik wizualizacji. Mapy korelacji25 ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują, że nie mają żadnych konkurencyjnych interesów finansowych.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nie dotyczy

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
3D Slicer SoftwareOficjalna strona5.xWizualizacja obrazów medycznych, segmentacja i wyodrębnianie ROI dla analizy radiomics
Imbalanced-learn PackagePyPI0.11+Obsługa braku równowagi klas (np. SMOTE)
Matplotlib  PackagePyPI3.xWyświetlanie krzywych treningowych i ważności cech
NumPy PackagePyPI1.26.xOperacje numeryczne i obsługa macierzy cech
Pandas PackagePyPI2.xPrzechowywanie danych i zarządzanie zbiorami danych
PyRadiomics PackagePyPI3.xWyodrębnianie cech radiomics z obrazów CT
PyTorch  PackagePyPI2.xFramework uczenia głębokiego dla MLP i obliczania gradientów
Scikit-learn PackagePyPI1.3.xOcena modelu (dokładność, precyzja, odzyskanie, wynik F1)
SciPy  PackagePyPI1.11+Analiza statystyczna i walidacja
Seaborn  PackagePyPI0.13.xMapy cieplne dla analizy korelacji cech
Torch.nn Module PyPI2.xArchitektura sieci neuronowych (warstwy, aktywacje)
Torch.optim ModulePyPI2.xAlgorytmy optymalizacji (np. Adam)

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kumar, S., Singh, J., Ravi, V., Singh, P., Al Mazroa, A., et al. Deep learning and MRI biomarkers for precise lung cancer cell detection and diagnosis. Open Bioinforma J. 17, (2024).
  2. Avanzo, M., Stancanello, J., Pirrone, G. Radiomics and deep learning in lung cancer. Strahlenther Onkol. 196, 879-887 (2020).
  3. Shakir, H., Deng, Y., Rasheed, H., et al. Radiomics based likelihood functions for cancer diagnosis. Sci Rep. 9, 9501 (2019).
  4. Shakir, H., Aijaz, B., Khan, T. M., Hussain, M. A deep learning-based cancer survival time classifier for small datasets. Computers in Biology and Medicine. 160, 106896 (2023).
  5. Liu, Z., Wang, S., Dong, D., Wei, J., Fang, C., et al. Applications of radiomics in precision diagnosis and treatment of oncology: opportunities and challenges. Theranostics. 9 (5), 1303-1322 (2019).
  6. Perniciano, A., Loddo, A., Di Ruberto, C., et al. Insights into radiomics: impact of feature selection and classification. Multimed Tools Appl. 84, 31695-31721 (2025).
  7. Shakir, H., Rasheed, H., Khan, T. M. R. Radiomic feature selection for lung cancer classifiers. J Intell Fuzzy Syst. 38 (5), 5847-5855 (2020).
  8. Noroozi, Z., Orooji, A., Erfannia, L. Analyzing the impact of feature selection methods on machine learning algorithms for heart disease prediction. Sci Rep. 13, 22588 (2023).
  9. Dhal, P., Azad, C. A comprehensive survey on feature selection in various fields of machine learning. Appl Intell. 52, 4543-4581 (2022).
  10. Papadimitroulas, P., Brocki, L., Chung, N. C., Marchadour, W., Vermet, F., et al. Artificial intelligence: deep learning in oncological radiomics and challenges of interpretability and data harmonization. Phys Med. 83, 108-121 (2021).
  11. Oliveira, C., et al. Preselection of robust radiomic features does not improve outcome modelling in non-small cell lung cancer based on clinical routine FDG-PET imaging. EJNMMI Res. 11, 79 (2021).
  12. Kolukisa, B., Bakir-Gungor, B. Ensemble feature selection and classification methods for machine learning-based coronary artery disease diagnosis. Comput Stand Interfaces. 84, 103706 (2023).
  13. Chen, Z., et al. Feature selection may improve deep neural networks for the bioinformatics problems. Bioinformatics. 36 (5), 1542-1552 (2020).
  14. Roy, D., Murty, K. S. R., Mohan, C. K. Feature selection using deep neural networks. , (2015).
  15. Kapoor, V., et al. Lung cancer detection using VGG16 and CNN. , 758-762 (2023).
  16. Mishra, N., et al. A comprehensive review of CNN and multimodal AI techniques for skin and lung cancer diagnosis. , 1-4 (2025).
  17. Alsheikhy, A. A., Said, Y., Shawly, T., Alzahrani, A. K., Lahza, H. A CAD system for lung cancer detection using hybrid deep learning techniques. Diagnostics (Basel). 13 (6), 1174 (2023).
  18. Cheung, E. Y. W., et al. Overall staging prediction for non-small cell lung cancer (NSCLC): a local pilot study with artificial neural network approach. Cancers (Basel). 17 (3), 523 (2025).
  19. Hugo, A., et al. Data from NSCLC-Radiomics. The Cancer Imaging Archive. , (2015).
  20. Van Griethuysen, J. J. M., et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 77, e104-e107 (2017).
  21. Kikinis, R., Pieper, S. D., Vosburgh, K. G. 3D Slicer: A Platform for Subject-Specific Image Analysis, Visualization, and Clinical Support. Intraoperative Imaging and Image-Guided Therapy. , (2014).
  22. Lei, M., et al. Benchmarking various radiomic toolkit features while applying the image biomarker standardization initiative toward clinical translation of radiomic analysis. J Digit Imaging. 34 (5), 1156-1170 (2021).
  23. Elreedy, D., Atiya, A. F., Kamalov, F. A theoretical distribution analysis of synthetic minority oversampling technique (SMOTE) for imbalanced learning. Mach Learn. 113, 4903-4923 (2024).
  24. Opitz, J. A closer look at classification evaluation metrics and a critical reflection of common evaluation practice. Trans Assoc Comput Linguist. 12, 820-836 (2024).
  25. He, Y., et al. Integrative radiomics clustering analysis to decipher breast cancer heterogeneity and prognostic indicators through multiparametric MRI. NPJ Breast Cancer. 10, 72 (2024).
  26. Gao, J., Cheng, Y., Gao, J. Predicting sport event outcomes using deep learning. PeerJ Comput Sci. 11, e3011 (2025).
  27. Stafoggia, M., et al. Spie charts, target plots, and radar plots for displaying comparative outcomes of health care. J Clin Epidemiol. 64 (7), 770-778 (2011).
  28. Kuzudisli, C., Bakir-Gungor, B., Bulut, N., Qaqish, B., Yousef, M. Review of feature selection approaches based on grouping of features. PeerJ. 11, e15666 (2023).
  29. Tomar, D., Prasad, Y., Thakur, M. K., Biswas, K. K. Feature selection using autoencoders. , 56-60 (2017).
  30. Raptis, S., Ilioudis, C., Theodorou, K. Biomedical physics & engineering express. Biomed Phys Eng Express. 10 (3), 035016 (2024).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Wykrywanie raka p ucarekurencyjna eliminacja cechilo ciowe biomarkery obrazowetomografia komputerowaistotno cechgeneralizacja modelu

Powiązane artykuły