Радиомика (Radiomics) и глубокое обучение

Материал из MachineLearning.

Перейти к: навигация, поиск
Статья написана с использованием LLM ChatGPT (GPT-5.6 Sol Medium) и проверена участником Valeriia Berdnikova 18:55, 19 июля 2026 (MSD). Промпт приводится полностью в Обсуждение:Радиомика (Radiomics) и глубокое обучение.



Содержание

Радиомика (англ. radiomics) — направление медицинской информатики и количественного анализа изображений, в котором из медицинских изображений извлекается большое число числовых характеристик формы, интенсивности, текстуры и пространственной неоднородности тканей. Полученные признаки объединяются с клиническими, лабораторными, патологическими или молекулярными данными и используются для построения диагностических, прогностических и предиктивных моделей.[1][1]

Радиомика связана с машинным обучением, глубоким обучением, компьютерным зрением, обработкой изображений, биостатистикой, медицинской визуализацией и персонализированной медициной. Её основная предпосылка состоит в том, что медицинское изображение содержит количественную информацию о фенотипе ткани, которая может быть не полностью доступна визуальной оценке врача.

Глубокая радиомика (англ. deep radiomics) использует признаки, автоматически извлекаемые нейронными сетями. В литературе этот термин применяется неодинаково: иногда им обозначают извлечение глубоких признаков из заранее сегментированной области, иногда — объединение ручных и глубоких признаков, а иногда — всю сквозную модель обработки медицинского изображения. Поэтому конкретный способ получения признаков должен быть описан явно.

Высокое значение метрики на внутренней тестовой выборке не является доказательством клинической применимости. Для перехода от исследовательской модели к медицинскому инструменту необходимы внешняя и желательно проспективная валидация, оценка калибровки, клинической полезности, безопасности, воспроизводимости и влияния на решения врача.

История развития

Количественный анализ медицинских изображений существовал до появления термина «радиомика». В радиологии и ядерной медицине использовались:

В начале 2010-х годов термин radiomics стал применяться к высокопроизводительному извлечению большого числа признаков из стандартных медицинских изображений.[1][1]

В 2014 году Аэртс и соавторы продемонстрировали количественный радиомический анализ компьютерных томограмм более тысячи пациентов с опухолями лёгкого и головы и шеи. В исследовании использовались 440 признаков интенсивности, формы и текстуры, а часть полученных характеристик была связана с клиническими исходами и экспрессией генов.[1]

Развитие направления сопровождалось появлением открытых программных средств. Пакет PyRadiomics реализует стандартизированное извлечение ручных радиомических признаков и интегрируется с платформой 3D Slicer.[1]

Крупной проблемой оказались различия между определениями признаков и программными реализациями. Image Biomarker Standardisation Initiative разработала унифицированную терминологию, математические определения, эталонные изображения и контрольные значения для проверки радиомического программного обеспечения.[1]

Параллельно развивались свёрточные нейронные сети, автоматическая сегментация и сквозное обучение медицинских моделей. Архитектура U-Net стала одной из основных моделей сегментации биомедицинских изображений,[1] а 3D U-Net распространила этот подход на объёмные данные.[1]

Виды медицинских изображений

Компьютерная томография

Компьютерная томография формирует трёхмерное изображение на основе ослабления рентгеновского излучения. Интенсивности обычно выражаются в единицах Хаунсфилда.

Преимущества КТ для радиомики:

  • стандартизованная физическая шкала интенсивности;
  • высокая пространственная разрешающая способность;
  • широкая клиническая доступность;
  • возможность анализа лёгких, костей и опухолей;
  • сравнительно короткое время исследования.

На признаки влияют:

Магнитно-резонансная томография

Магнитно-резонансная томография создаёт изображения с использованием магнитного поля и радиочастотных импульсов. Интенсивности МРТ обычно не имеют универсальной абсолютной шкалы и зависят от последовательности и параметров сканирования.

Радиомический анализ может выполняться для:

Для МРТ особенно важны:

Позитронно-эмиссионная томография

Позитронно-эмиссионная томография отражает распределение радиофармпрепарата. Часто используется показатель стандартизованного накопления:

SUV=\frac{C_{\rm tissue}}{A_{\rm injected}/W},

где C_{\rm tissue} — измеренная активность в ткани, A_{\rm injected} — введённая активность, а W — нормирующая величина, например масса тела.

На ПЭТ-радиомику влияют:

Ультразвуковое исследование

Ультразвуковое исследование позволяет получать изображения в реальном времени без ионизирующего излучения. Радиомика применяется к B-режиму, доплеровским данным и эластографии.

Ограничения:

  • зависимость от оператора;
  • изменение изображения при угле датчика;
  • акустические тени;
  • различия между аппаратами;
  • нестабильная геометрия;
  • необходимость стандартизации усиления и глубины.

Рентгенография

Рентгенография представляет трёхмерные структуры в виде двумерной проекции. Радиомический анализ применяется, например, к изображениям грудной клетки, костей и маммографии.

Проекционная природа изображения создаёт наложение анатомических структур. Поэтому признаки могут отражать не только патологическую область, но и окружающие ткани, положение пациента и параметры экспозиции.

Цифровая патология

Цифровая патология анализирует оцифрованные гистологические препараты. Она близка к радиомике по методам извлечения признаков, но относится к микроскопическим изображениям тканей, а не к традиционной радиологической визуализации.

Радиомика и цифровая патология могут объединяться в мультимодальной модели, но не являются синонимами.

Классический радиомический процесс

Типичный процесс включает:

  1. формулировку клинической задачи;
  2. получение медицинских изображений;
  3. контроль протокола сканирования;
  4. реконструкцию;
  5. предварительную обработку;
  6. выделение области интереса;
  7. извлечение признаков;
  8. оценку воспроизводимости;
  9. отбор признаков;
  10. построение модели;
  11. внутреннюю валидацию;
  12. внешнюю валидацию;
  13. оценку клинической полезности.

Порядок операций должен быть заранее задан. Изменение настроек после просмотра результатов увеличивает риск оптимистической оценки качества.

Формулировка клинической задачи

До анализа необходимо определить:

  • целевую популяцию;
  • клинический момент применения модели;
  • входные данные;
  • прогнозируемый исход;
  • референсный стандарт;
  • временной горизонт;
  • предполагаемое действие врача;
  • конкурирующие клинические модели;
  • допустимую задержку;
  • цену ошибок.

Нельзя объединять без пояснения следующие типы моделей.

Диагностическая модель оценивает наличие состояния в момент исследования:

P(Y_{\rm current}=1\mid X).

Прогностическая модель оценивает будущий исход:

P(Y_{t+\Delta}=1\mid X_t).

Модель ответа на лечение прогнозирует исход после конкретной терапии:

P(Y=1\mid X,T=t).

Предиктивный биомаркер лечения должен отражать различие эффекта между вариантами терапии:

\tau(X)={\bf E}[Y(1)-Y(0)\mid X].

Высокая связь признака с исходом в одной лечебной группе не доказывает, что признак предсказывает сравнительный эффект лечения.

Получение и реконструкция изображений

Радиомические признаки могут быть чувствительны к параметрам сканирования. Для каждого исследования необходимо документировать:

  • модель сканера;
  • производителя;
  • протокол;
  • пространственное разрешение;
  • толщину среза;
  • контрастное усиление;
  • параметры реконструкции;
  • фильтры;
  • формат хранения;
  • время между исследованием и лечением.

Стандартизация протокола уменьшает техническую вариабельность, но в ретроспективных многоцентровых данных полная стандартизация часто невозможна.

Предварительная обработка

Ресэмплинг вокселей

Пусть исходный размер вокселя равен:

(\Delta x,\Delta y,\Delta z).

После интерполяции изображение приводится к целевой решётке:

(\Delta x',\Delta y',\Delta z').

Ресэмплинг позволяет сравнивать пространственные признаки между исследованиями, но создаёт новые значения интенсивности и может сглаживать или усиливать текстуру.

Часто применяются:

Для масок сегментации обычно используют ближайшего соседа или отдельную процедуру пороговой реконструкции, чтобы не создавать несуществующие классы.

Нормализация интенсивности

Для МРТ может применяться стандартизация:

I'=\frac{I-\mu}{\sigma},

где \mu и \sigma вычисляются в выбранной области.

Также используются:

Нормализация меняет статистику интенсивностей и должна выполняться одинаково на обучающих и новых данных.

Дискретизация интенсивностей

Текстурные матрицы требуют конечного числа уровней серого.

При фиксированной ширине интервала:

g(x)=1+\left\lfloor\frac{I(x)-I_{\min}}{w}\right\rfloor,

где w — ширина интервала.

При фиксированном числе уровней:

g(x)=1+\left\lfloor N_g\frac{I(x)-I_{\min}}{I_{\max}-I_{\min}}\right\rfloor.

Фиксированная ширина лучше сохраняет смысл абсолютной шкалы, например для КТ. Фиксированное число уровней делает диапазон одинаковым, но границы интервалов становятся зависимыми от конкретного изображения или области.

Параметр дискретизации влияет на большинство текстурных признаков и должен сообщаться в публикации.

Фильтрация

Перед извлечением признаков могут применяться:

Фильтр создаёт новое производное изображение:

I_f=K*I,

где K — ядро фильтра, а * — операция свёртки.

Признаки после фильтрации нельзя считать эквивалентными признакам исходного изображения. Тип фильтра и все параметры должны быть зафиксированы.

Коррекция артефактов

В зависимости от модальности применяются:

Предварительная обработка может улучшать стабильность, но также удалять диагностически значимую информацию.

Сегментация области интереса

Сегментация определяет множество вокселей:

\Omega=\{x:M(x)=1\},

где M — бинарная маска.

Областью анализа может быть:

  • опухоль;
  • орган;
  • отдельный компонент опухоли;
  • перитуморальная зона;
  • сосуд;
  • патологический очаг;
  • весь объём изображения.

Ручная сегментация

Ручная разметка выполняется специалистом и часто используется как референсный стандарт.

Ограничения:

Полуавтоматическая сегментация

Алгоритм формирует первоначальную маску, которую корректирует врач. Такой подход может уменьшать время и сохранять клинический контроль.

Автоматическая сегментация

Глубокая модель предсказывает маску:

\hat M=f_\theta(I).

Автоматизация повышает масштабируемость, но ошибки маски могут систематически изменять признаки. Поэтому качество сегментации и влияние ошибок на итоговую модель необходимо проверять отдельно.

Устойчивость к сегментации

Для оценки вариабельности признаки извлекаются из нескольких масок. Может использоваться внутриклассовый коэффициент корреляции:

ICC=\frac{\sigma_{\rm between}^2}{\sigma_{\rm between}^2+\sigma_{\rm within}^2}.

Высокий Dice между масками не гарантирует стабильности всех радиомических признаков. Небольшое изменение границы может мало влиять на объём пересечения, но существенно изменять текстуру или форму.

Ручные радиомические признаки

Ручные, или hand-crafted, признаки рассчитываются по заранее заданным формулам. Их преимущества:

  • фиксированное математическое определение;
  • сравнительно низкие требования к данным;
  • возможность интерпретации;
  • возможность вычисления без обучения нейронной сети.

Ограничения:

  • чувствительность к настройкам;
  • коррелированность;
  • ограниченная выразительность;
  • зависимость от сегментации;
  • отсутствие гарантированной связи с биологией.

Признаки формы

Признаки формы вычисляются по маске и обычно не зависят от интенсивности изображения.

Объём

Для N_v вокселей:

V=N_v\Delta x\Delta y\Delta z.

При использовании поверхностной сетки объём может вычисляться геометрически.

Площадь поверхности

Площадь поверхности обозначается:

A={\rm area}(\partial\Omega).

Она чувствительна к пространственному разрешению, алгоритму построения поверхности и неровности границы.

Сферичность

Одна из формул сферичности:

\Phi=\frac{\pi^{1/3}(6V)^{2/3}}{A}.

Для идеальной сферы \Phi=1; для менее компактных форм значение уменьшается.

Компактность

Пример безразмерного показателя:

C=\frac{36\pi V^2}{A^3}.

Определения компактности различаются, поэтому название без формулы недостаточно для воспроизводимости.

Главные оси

По координатам вокселей строится ковариационная матрица:

\Sigma=\frac{1}{N_v}\sum_{x\in\Omega}(x-\bar x)(x-\bar x)^{\mathsf T}.

Её собственные значения характеризуют протяжённость области вдоль главных осей и используются для вычисления вытянутости и плоскостности.

Ограничения признаков формы

  • сильная зависимость от сегментации;
  • зависимость от размера вокселя;
  • нестабильность для малых объектов;
  • различия между 2D- и 3D-определениями;
  • влияние сглаживания поверхности.

Статистики первого порядка

Признаки первого порядка используют распределение интенсивности без учёта пространственного положения вокселей.

Пусть N — число вокселей, а x_k — интенсивность.

Среднее

\mu=\frac{1}{N}\sum_{k=1}^{N}x_k.

Дисперсия

\sigma^2=\frac{1}{N}\sum_{k=1}^{N}(x_k-\mu)^2.

Асимметрия

{\rm Skewness}=\frac{1}{N\sigma^3}\sum_{k=1}^{N}(x_k-\mu)^3.

Эксцесс

{\rm Kurtosis}=\frac{1}{N\sigma^4}\sum_{k=1}^{N}(x_k-\mu)^4.

Некоторые реализации вычитают из эксцесса число 3, другие сообщают нецентрированный показатель. Это различие должно быть указано.

Энтропия

Пусть p_i — доля вокселей в уровне i. Тогда:

H=-\sum_{i=1}^{N_g}p_i\log p_i.

Энтропия зависит от дискретизации. Она измеряет неопределённость распределения уровней, но не пространственную неоднородность.

Энергия

E=\sum_{i=1}^{N_g}p_i^2.

Высокая энергия соответствует концентрации распределения в небольшом числе уровней.

Процентили

К признакам первого порядка относятся медиана, минимум, максимум, межквартильный диапазон и выбранные процентили.

Они могут быть устойчивее крайних значений, но всё равно зависят от шумов, нормализации и маски.

Матрица совместной встречаемости уровней серого

Матрица совместной встречаемости уровней серого — GLCM — описывает частоту появления пары уровней серого на заданном пространственном смещении.

Для смещения \delta ненормированная матрица:

C_{\delta}(i,j)=\#\{(x,x+\delta):g(x)=i,\ g(x+\delta)=j\}.

Нормированная матрица:

P_{\delta}(i,j)=\frac{C_{\delta}(i,j)}{\sum_{a,b}C_{\delta}(a,b)}.

Матрицы могут рассчитываться отдельно для разных направлений или объединяться.

Контраст

{\rm Contrast}=\sum_{i,j}(i-j)^2P(i,j).

Контраст увеличивается при частом соседстве сильно различающихся уровней.

Однородность

{\rm Homogeneity}=\sum_{i,j}\frac{P(i,j)}{1+|i-j|}.

Высокое значение соответствует концентрации вероятности около главной диагонали.

Энергия GLCM

{\rm Energy}=\sum_{i,j}P(i,j)^2.

Корреляция

{\rm Correlation}= \frac{\sum_{i,j}(i-\mu_i)(j-\mu_j)P(i,j)} {\sigma_i\sigma_j}.

При нулевой дисперсии уровней формула требует специальной обработки.

Ограничения GLCM

  • чувствительность к числу уровней;
  • зависимость от направления и расстояния;
  • нестабильность в малых областях;
  • различия между симметричной и несимметричной матрицей;
  • различия между 2D- и 3D-агрегацией;
  • коррелированность признаков.

Матрица длин серий

Матрица длин серий уровней серого — GLRLM — подсчитывает последовательности соседних вокселей одного уровня вдоль выбранного направления.

Пусть:

R(i,j)

обозначает число серий уровня i длины j, а

N_r=\sum_{i,j}R(i,j).

Преобладание коротких серий

{\rm SRE}=\frac{1}{N_r}\sum_{i,j}\frac{R(i,j)}{j^2}.

Преобладание длинных серий

{\rm LRE}=\frac{1}{N_r}\sum_{i,j}j^2R(i,j).

Неоднородность уровней

{\rm GLNU}=\frac{1}{N_r}\sum_i\left(\sum_jR(i,j)\right)^2.

GLRLM зависит от направления. Объединение направлений должно выполняться одинаковым способом для всех пациентов.

Матрица зон одинаковой интенсивности

Матрица зон одинаковой интенсивности — GLSZM — описывает связные зоны одного уровня независимо от направления.

Пусть:

Z(i,j)

— число зон уровня i размера j, а

N_z=\sum_{i,j}Z(i,j).

Преобладание малых зон

{\rm SZE}=\frac{1}{N_z}\sum_{i,j}\frac{Z(i,j)}{j^2}.

Преобладание больших зон

{\rm LZE}=\frac{1}{N_z}\sum_{i,j}j^2Z(i,j).

Процент зон

{\rm ZP}=\frac{N_z}{N_v}.

GLSZM может быть особенно чувствительна к разрешению и способу определения связности в 3D.

Матрица различий соседних уровней

Матрица различий соседних уровней серого — NGTDM — сравнивает интенсивность каждого вокселя со средней интенсивностью его соседства.

Для уровня i:

s_i=\sum_{x:g(x)=i}|i-\bar g_x|,

где \bar g_x — среднее значение уровней в соседстве точки x.

Один из признаков — грубость:

{\rm Coarseness}= \frac{1}{\sum_i p_i s_i+\varepsilon},

где \varepsilon предотвращает деление на ноль.

Другие признаки NGTDM включают контраст, занятость, сложность и силу.

Интерпретация зависит от радиуса соседства и наличия достаточного числа вокселей каждого уровня.

Матрица зависимостей уровней серого

Матрица зависимостей уровней серого — GLDM — определяет для каждого центрального вокселя число соседей, интенсивность которых отличается не более чем на заданный порог.

Пусть:

D(i,j)

— число зависимостей уровня i размера j, а

N_d=\sum_{i,j}D(i,j).

Преобладание малых зависимостей

{\rm SDE}=\frac{1}{N_d}\sum_{i,j}\frac{D(i,j)}{j^2}.

Преобладание больших зависимостей

{\rm LDE}=\frac{1}{N_d}\sum_{i,j}j^2D(i,j).

GLDM зависит от порога сходства, радиуса соседства, дискретизации и определения связности.

Воспроизводимость признаков

Радиомический признак не является автоматически биомаркером. До моделирования необходимо проверить:

  • устойчивость к повторному сканированию;
  • устойчивость к повторной сегментации;
  • устойчивость к реконструкции;
  • устойчивость к интерполяции;
  • межпрограммную воспроизводимость;
  • стабильность между центрами.

Коэффициент вариации:

CV=\frac{\sigma}{|\mu|}

может применяться для положительных признаков, но плохо интерпретируется при среднем около нуля.

Для двух измерений используется коэффициент конкордации или ICC. Порог стабильности не должен выбираться исключительно по результату итоговой модели.

IBSI стандартизует вычислительные определения, но не гарантирует биологическую стабильность признака в конкретном клиническом протоколе.[1]

Отбор признаков

Пусть исходное число признаков равно p, а число пациентов — n. В радиомике часто выполняется:

p\gg n.

Эта ситуация увеличивает риск переобучения и нестабильного отбора.

Фильтрация по воспроизводимости

Удаляются признаки с низкой устойчивостью при повторном сканировании или сегментации.

Удаление низкой вариативности

Признак может исключаться, если:

{\rm Var}(X_j)<\varepsilon.

Удаление коррелированных признаков

При высокой корреляции:

|{\rm corr}(X_i,X_j)|>\rho_0

из пары оставляется один признак.

Такой подход зависит от выбранной меры корреляции и не учитывает условную прогностическую информацию.

Одномерный отбор

Каждый признак тестируется отдельно:

H_0:X_j\perp Y.

Недостатки:

LASSO

Для линейной модели:

\hat\beta= \mathop{\rm argmin}_{\beta} \left[ {\cal L}(\beta)+\lambda\sum_{j=1}^{p}|\beta_j| \right].

LASSO выполняет регуляризацию и может занулять коэффициенты.

При сильно коррелированных признаках выбранный представитель группы может меняться между выборками.

Elastic Net

\hat\beta= \mathop{\rm argmin}_{\beta} \left[ {\cal L}(\beta)+ \lambda\left( \alpha\|\beta\|_1+ \frac{1-\alpha}{2}\|\beta\|_2^2 \right) \right].

Elastic Net обычно устойчивее LASSO при группах коррелированных переменных.

Анализ главных компонент

Метод главных компонент строит проекцию:

Z=XW_k,

где столбцы W_k соответствуют направлениям максимальной дисперсии.

PCA не использует целевую переменную и не гарантирует сохранения прогностически значимой информации.

Важное правило валидации

Все операции отбора должны выполняться только на обучающей части данных:

{\cal T}_{\rm select}={\cal T}(X_{\rm train},Y_{\rm train}).

Применение отбора ко всей выборке до разбиения является утечкой данных.

Классические прогностические модели

После отбора признаков применяются:

Сложная модель не обязательно превосходит регуляризованную регрессию, особенно при малой выборке.

Hand-crafted radiomics

Классическая радиомика использует признаки, определённые заранее:

z=\phi(I,M;\eta),

где

  • I — изображение;
  • M — маска;
  • \eta — параметры ресэмплинга, дискретизации и фильтрации;
  • z — вектор признаков.

Прогноз:

\hat y=f_\theta(z,c),

где c — клинические переменные.

Преимущества:

  • работа на небольших выборках;
  • воспроизводимые математические признаки;
  • сравнительно низкая вычислительная стоимость;
  • возможность анализировать вклад отдельных характеристик.

Ограничения:

  • ручное проектирование;
  • ограничение заданными формулами;
  • чувствительность к конвейеру;
  • большое число коррелированных признаков;
  • потеря информации при сведении изображения к вектору.

Глубокая радиомика

В глубокой радиомике признаки извлекаются нейронной сетью:

z=g_\theta(I,M).

Далее может обучаться отдельный классификатор:

\hat y=h_\psi(z).

Признаки могут извлекаться:

  • из предварительно обученной сети;
  • из сети, обученной на медицинских данных;
  • из промежуточного слоя сегментационной модели;
  • из автоэнкодера;
  • из самоконтролируемой модели;
  • из ансамбля сетей.

Глубокий признак не имеет фиксированной интерпретации вне конкретной сети, слоя, нормализации и версии параметров.

Сквозные модели

В сквозной модели прогноз строится непосредственно из изображения:

\hat y=f_\theta(I).

Сегментация может отсутствовать или быть внутренней частью архитектуры.

Преимущества:

  • совместная оптимизация признаков и прогноза;
  • использование полной пространственной информации;
  • возможность автоматического обнаружения сложных закономерностей;
  • отсутствие отдельного ручного отбора признаков.

Ограничения:

  • высокая потребность в данных;
  • сложная интерпретируемость;
  • риск изучения посторонних признаков;
  • чувствительность к сдвигу распределения;
  • высокая вычислительная стоимость;
  • трудность воспроизведения без кода и параметров.

Радиогеномика

Радиогеномика связывает особенности медицинского изображения с геномными, транскриптомными, эпигенетическими или молекулярными характеристиками.

Формально исследуется зависимость:

P(G\mid Z_{\rm image}),

где G — молекулярная характеристика, а Z_{\rm image} — радиомические признаки.

Примеры целей:

Наблюдаемая ассоциация:

{\rm corr}(Z_j,G_k)\neq0

не доказывает причинную связь. Корреляция может быть вызвана:

  • размером опухоли;
  • стадией;
  • особенностями выборки;
  • лечебным отбором;
  • техническим протоколом;
  • множественной проверкой гипотез;
  • скрытым фактором.

Для причинной интерпретации требуется явная причинная модель и дополнительные предпосылки.

Глубокое обучение в радиомике

Сверточные нейронные сети

Сверточная нейронная сеть вычисляет карты признаков:

H^{(l+1)}=\sigma(K^{(l)}*H^{(l)}+b^{(l)}).

Локальные ядра позволяют обнаруживать границы, текстуры, формы и более сложные структуры.

В радиомике CNN применяются для:

  • классификации;
  • сегментации;
  • обнаружения очагов;
  • извлечения глубоких признаков;
  • прогнозирования исходов;
  • оценки ответа на лечение.

Двумерные CNN

2D-модель обрабатывает отдельные срезы:

\hat y_s=f_\theta(I_s).

Предсказания срезов могут объединяться:

\hat y={\rm Aggregate}(\hat y_1,\ldots,\hat y_S).

Преимущества:

  • меньшая потребность в памяти;
  • возможность использовать веса, обученные на естественных изображениях;
  • больше отдельных обучающих примеров.

Ограничения:

  • потеря межсрезовой информации;
  • риск утечки при разделении срезов одного пациента;
  • необходимость объединения предсказаний.

Трёхмерные CNN

3D-свёртка обрабатывает объём:

H^{(l+1)}=\sigma(K^{(l)}*_{\rm 3D}H^{(l)}+b^{(l)}).

Преимущества:

  • использование трёхмерной анатомии;
  • естественная обработка КТ, МРТ и ПЭТ;
  • сохранение пространственного контекста.

Ограничения:

  • высокая память;
  • малый размер пакета;
  • больше параметров;
  • необходимость согласованного разрешения;
  • высокая стоимость разметки.

Автоэнкодеры

Автоэнкодер состоит из кодировщика и декодировщика:

z=g_\theta(I),
\hat I=d_\psi(z).

Функция потерь:

{\cal L}_{\rm rec}=\|I-\hat I\|^2.

Латентное представление z используется как глубокий радиомический вектор.

Реконструкция изображения не гарантирует, что латентные признаки будут оптимальны для клинической задачи.

Трансформеры

Трансформер представляет изображение как последовательность патчей:

Z_0=[x_{\rm cls};x_1E;\ldots;x_NE]+E_{\rm pos}.

Механизм внимания:

{\rm Attention}(Q,K,V)= {\rm softmax}\left(\frac{QK^{\mathsf T}}{\sqrt d}\right)V.

Преимущества:

  • моделирование дальних зависимостей;
  • гибкое объединение модальностей;
  • возможность анализа больших областей.

Ограничения:

  • высокая вычислительная стоимость;
  • потребность в больших выборках или предварительном обучении;
  • чувствительность к размеру патча;
  • отсутствие гарантированной медицинской интерпретации внимания.

Модели внимания

В CNN внимание может назначать вес областям или каналам:

z=\sum_i\alpha_i h_i,\qquad \sum_i\alpha_i=1.

Карта внимания не является доказательством причинности и не обязательно совпадает с клинически значимой областью.

Графовые нейронные сети

Графовая нейронная сеть применяется, когда данные представлены графом:

  • узлы — очаги;
  • узлы — анатомические области;
  • узлы — клетки или участки ткани;
  • рёбра — пространственная, сосудистая или функциональная связь.

Обновление узла:

h_v^{(l+1)}= \phi\left( h_v^{(l)}, \mathop{\rm AGG}_{u\in{\cal N}(v)} \psi(h_v^{(l)},h_u^{(l)},e_{uv}) \right).

Графовые модели удобны при множественных поражениях и объединении радиологии с патологией или молекулярными сетями.

Обучение с переносом

Обучение с переносом использует параметры предварительно обученной модели:

\theta_0\leftarrow\theta_{\rm source}.

Затем выполняется дообучение:

\theta^*= \mathop{\rm argmin}_{\theta} {\cal L}_{\rm target}(\theta).

Перенос с естественных изображений может быть полезен для ранних визуальных признаков, но различие доменов ограничивает применимость.

Самоконтролируемое обучение

Самоконтролируемое обучение создаёт обучающий сигнал из самих изображений.

Контрастивная функция потерь:

{\cal L}_i= -\log \frac{\exp({\rm sim}(z_i,z_i^+)/\tau)} {\sum_j\exp({\rm sim}(z_i,z_j)/\tau)}.

Преимущества:

  • использование неразмеченных данных;
  • уменьшение зависимости от клинических меток;
  • предварительное обучение на локальной популяции.

Ограничения:

  • результат зависит от преобразований;
  • признаки могут сохранять технические различия между центрами;
  • высокая вычислительная стоимость;
  • необходима последующая клиническая валидация.

Автоматическая сегментация

Для бинарной сегментации модель выдаёт вероятность:

p_x=P(M(x)=1\mid I).

Бинарная маска:

\hat M(x)={\bf 1}[p_x\geq\tau].

Часто используется комбинированная функция потерь:

{\cal L}= {\cal L}_{\rm CE}+ \lambda{\cal L}_{\rm Dice}.

Dice-потеря:

{\cal L}_{\rm Dice}= 1- \frac{2\sum_xp_xy_x+\varepsilon} {\sum_xp_x+\sum_xy_x+\varepsilon}.

Автоматическая сегментация может уменьшать трудозатраты, но не устраняет необходимость контроля качества. Ошибка сегментации способна переходить в ошибку признаков и итогового прогноза.

Мультимодальное объединение

Пусть:

  • z_r — ручные радиомические признаки;
  • z_d — глубокие признаки;
  • z_c — клинические данные;
  • z_l — лабораторные показатели;
  • z_g — геномные признаки.

Раннее объединение

z=[z_r;z_d;z_c;z_l;z_g].

После конкатенации обучается одна модель.

Преимущество — простота. Ограничения — различия масштабов, пропуски и высокая размерность.

Промежуточное объединение

Каждая модальность кодируется отдельно:

h_m=g_m(z_m).

Общее представление:

h={\rm Fuse}(h_1,\ldots,h_M).

Это позволяет моделировать сложные взаимодействия, но увеличивает число параметров.

Позднее объединение

Отдельные модели формируют прогнозы:

\hat p= \sum_{m=1}^{M}w_m\hat p_m,\qquad \sum_mw_m=1.

Позднее объединение устойчивее к отсутствию части модальностей, но может слабее учитывать взаимодействия.

Формальные задачи

Бинарная классификация

Пусть:

Y\in\{0,1\}.

Модель:

\hat p=f_\theta(X).

Перекрёстная энтропия:

{\cal L}= -\sum_i \left[ y_i\log\hat p_i+ (1-y_i)\log(1-\hat p_i) \right].

Многоклассовая классификация

Y\in\{1,\ldots,K\}.

Вероятности:

\hat p_k= \frac{\exp z_k} {\sum_{j=1}^{K}\exp z_j}.

Функция потерь:

{\cal L}= -\sum_i\sum_{k=1}^{K} y_{ik}\log\hat p_{ik}.

Регрессия

Для непрерывного исхода:

\hat y=f_\theta(X).

Средняя квадратичная ошибка:

{\rm MSE}= \frac{1}{n}\sum_i(y_i-\hat y_i)^2.

Средняя абсолютная ошибка:

{\rm MAE}= \frac{1}{n}\sum_i|y_i-\hat y_i|.

Анализ времени до события

Пусть T_i — время события, а \delta_i — индикатор наблюдаемого события.

В модели Кокса:

h(t\mid X)=h_0(t)\exp(\beta^{\mathsf T}X).

Частичное правдоподобие:

L(\beta)= \prod_{i:\delta_i=1} \frac{\exp(\beta^{\mathsf T}X_i)} {\sum_{j\in R_i}\exp(\beta^{\mathsf T}X_j)}.

Глубокая модель заменяет линейный предиктор:

\beta^{\mathsf T}X\longrightarrow f_\theta(X).

Необходимо учитывать цензурирование и проверять предположение пропорциональности рисков, если используется модель Кокса.

Сегментация

Задача состоит в прогнозировании метки каждого вокселя:

\hat M(x)=f_\theta(I)_x.

Для многоклассовой сегментации:

\hat M(x)\in\{0,\ldots,K\}.

Прогнозирование риска

Для заданного горизонта t модель оценивает:

R(t\mid X)=P(T\leq t\mid X).

Оценка риска должна быть калибрована для конкретной популяции и временного горизонта.

Метрики классификации

Пусть:

  • TP — истинноположительные решения;
  • TN — истинноотрицательные;
  • FP — ложноположительные;
  • FN — ложноотрицательные.

Чувствительность

{\rm Sensitivity}= \frac{TP}{TP+FN}.

Специфичность

{\rm Specificity}= \frac{TN}{TN+FP}.

Положительная прогностическая ценность

{\rm PPV}= \frac{TP}{TP+FP}.

PPV зависит от распространённости состояния в популяции.

ROC-AUC

ROC-AUC равна вероятности того, что случайный положительный объект получит более высокую оценку, чем случайный отрицательный:

{\rm AUC}= P(S^+>S^-).

AUC не определяет клинический порог и может быть высокой при неудовлетворительной калибровке.

PR-AUC

PR-кривая отражает связь между полнотой и точностью положительных решений. PR-AUC особенно информативна при редком положительном классе, но зависит от распространённости.

Метрики сегментации

Коэффициент Дайса

{\rm Dice}= \frac{2|M\cap\hat M|} {|M|+|\hat M|}.

Dice зависит от размера объекта и может быть высоким при значимой ошибке границы крупного органа.

Индекс Жаккара

{\rm IoU}= \frac{|M\cap\hat M|} {|M\cup\hat M|}.

Связь с Dice:

{\rm Dice}= \frac{2{\rm IoU}}{1+{\rm IoU}}.

Расстояние Хаусдорфа

H(A,B)= \max \left\{ \sup_{a\in A}\inf_{b\in B}d(a,b), \sup_{b\in B}\inf_{a\in A}d(a,b) \right\}.

Обычно используют устойчивый процентиль, например 95-й, поскольку максимальное расстояние Хаусдорфа чувствительно к единичным выбросам.

Метрики выживаемости

Индекс конкордантности

Индекс конкордантности оценивает согласованность порядка риска и времени события:

C= P(r_i>r_j\mid T_i<T_j).

Необходимо корректно учитывать цензурированные и сравнимые пары.

Времязависимый AUC

{\rm AUC}(t)

оценивает дискриминацию к определённому временному горизонту.

Интегрированный Brier score

{\rm IBS}= \frac{1}{\tau} \int_0^\tau {\rm BS}(t)\,dt.

При цензурировании используются веса обратной вероятности наблюдения.

Калибровка

Калибровка показывает соответствие прогнозируемого и наблюдаемого риска.

Идеальное условие:

P(Y=1\mid\hat p=p)=p.

Для логистической перекалибровки:

{\rm logit}\,P(Y=1)= \alpha+\beta\,{\rm logit}(\hat p).

Идеальные значения:

\alpha=0,\qquad\beta=1.

Калибровка должна оцениваться на независимых данных, а не только на обучающей выборке.

Клиническая полезность

Высокая дискриминация не гарантирует улучшения клинических решений.

В decision curve analysis чистая польза при пороге p_t может быть записана как:

{\rm Net\ Benefit}= \frac{TP}{N} - \frac{FP}{N} \frac{p_t}{1-p_t}.

Модель сравнивается со стратегиями:

  • лечить всех;
  • не лечить никого;
  • использовать существующее клиническое правило.

Оценка клинической пользы требует обоснованного диапазона порогов.

Высокая размерность и малая выборка

При p признаках и n пациентах:

p/n

может быть очень большим.

Последствия:

  • нестабильные коэффициенты;
  • множественные случайные корреляции;
  • высокая дисперсия;
  • оптимизм метрик;
  • зависимость от разбиения;
  • нестабильный набор выбранных признаков.

Количество изображений или срезов не равно числу независимых пациентов. Эффективная единица выборки определяется уровнем независимого клинического наблюдения.

Коррелированность признаков

Радиомические характеристики часто отражают одни и те же свойства.

Корреляционная матрица:

R_{ij}={\rm corr}(X_i,X_j).

Высокая корреляция приводит к:

  • нестабильности коэффициентов;
  • трудности интерпретации;
  • дублированию информации;
  • повышенной вероятности выбора случайного представителя группы.

Удаление коррелированных признаков должно выполняться внутри каждого обучающего фолда.

Переобучение

Переобучение возникает, если модель запоминает особенности обучающей выборки:

{\cal L}_{\rm train}\ll{\cal L}_{\rm external}.

Источники:

  • большое число признаков;
  • малая выборка;
  • многократный подбор конвейера;
  • слабая регуляризация;
  • повторное использование тестовой выборки;
  • выбор модели по лучшему случайному разбиению.

Утечка данных

Примеры утечки:

  • отбор признаков по всей выборке;
  • нормализация до разбиения;
  • использование данных одного пациента в обучении и тесте;
  • разделение по срезам вместо пациентов;
  • применение тестовой выборки для выбора порога;
  • использование информации после прогнозируемого события;
  • включение признака, непосредственно отражающего лечение или исход.

Все преобразования должны обучаться только на обучающих данных.

Множественная проверка гипотез

При проверке m независимых гипотез с уровнем \alpha ожидаемое число ложноположительных результатов приблизительно равно:

m\alpha.

Используются:

Коррекция p-значений не устраняет смещение от выбора модели по максимальному результату.

Дисбаланс классов

При редком исходе accuracy может быть высокой у модели, всегда прогнозирующей отрицательный класс.

Методы:

Синтетическое увеличение данных должно выполняться только внутри обучающего фолда.

Регуляризация

L2-регуляризация

{\cal L}_{\rm total}= {\cal L}_{\rm task}+ \lambda\|\theta\|_2^2.

Dropout

Во время обучения часть активаций зануляется:

\tilde h_i=m_ih_i,\qquad m_i\sim{\rm Bernoulli}(1-p).

Раннее прекращение

Обучение завершается, когда качество на валидационной части перестаёт улучшаться.

Валидационная часть не должна одновременно использоваться как окончательная тестовая выборка.

Кросс-валидация

В K-блочной кросс-валидации:

{\cal D}= {\cal D}_1\cup\cdots\cup{\cal D}_K.

Каждый блок один раз используется для проверки.

Разбиение должно выполняться:

  • по пациентам;
  • с учётом центра;
  • с учётом времени при временной валидации;
  • без разделения связанных исследований одного пациента.

Обычная кросс-валидация оценивает внутреннюю обобщающую способность, но не перенос между клиниками.

Вложенная кросс-валидация

Внешний цикл оценивает модель, внутренний — выбирает гиперпараметры:

{\cal D}^{\rm outer}_{\rm train} \longrightarrow {\cal D}^{\rm inner}_{\rm train,val} \longrightarrow {\cal D}^{\rm outer}_{\rm test}.

Во внутреннем цикле должны выполняться:

  • предварительная обработка;
  • отбор признаков;
  • настройка модели;
  • выбор порога.

Вложенная схема уменьшает оптимизм, но не заменяет внешнюю валидацию.

Bootstrap

Из выборки размера n формируются повторные выборки с возвращением:

{\cal D}^{*(b)}\sim{\cal D}.

Bootstrap применяется для:

  • доверительных интервалов;
  • оценки оптимизма;
  • анализа стабильности признаков;
  • проверки устойчивости модели.

При кластерных данных ресэмплинг должен выполняться на уровне пациента или центра.

Внешняя валидация

Внешняя проверка выполняется на данных, отличающихся по:

  • медицинскому центру;
  • времени;
  • региону;
  • сканеру;
  • популяции;
  • протоколу;
  • клиническому процессу.

Простое случайное выделение 20 % данных из одного центра является внутренней, а не внешней валидацией.

Гармонизация между центрами

Стандартизация протоколов

Наиболее предпочтительный подход — согласование получения и реконструкции изображений до сбора данных.

ComBat

ComBat моделирует значение признака j пациента i как:

x_{ij}= \alpha_j+ c_i^{\mathsf T}\beta_j+ \gamma_{b_i,j}+ \delta_{b_i,j}\varepsilon_{ij},

где:

  • b_i — центр или пакет;
  • c_i — биологические ковариаты;
  • \gamma — аддитивный эффект центра;
  • \delta — масштабный эффект.

Гармонизированное значение:

x_{ij}^{*}= \frac{x_{ij}-\alpha_j-c_i^{\mathsf T}\beta_j-\gamma_{b_i,j}} {\delta_{b_i,j}} +\alpha_j+c_i^{\mathsf T}\beta_j.

Метод применялся для уменьшения межцентровых различий ПЭТ-признаков.[1]

Ограничения ComBat:

  • предположение о корректно определённом пакетном эффекте;
  • невозможность исправить неидентифицируемое смешение центра и исхода;
  • риск удаления биологического сигнала;
  • необходимость применять параметры, оценённые без тестовой утечки;
  • невозможность исправить ошибочную сегментацию;
  • отсутствие гарантии переноса модели.

Практические условия применения ComBat подробно рассматриваются в руководстве Орляк и соавторов.[1]

Гармонизация изображений

Возможны:

  • единый ресэмплинг;
  • согласование разрешения;
  • фильтрация;
  • сопоставление гистограмм;
  • стандартизация реконструкции;
  • преобразование домена нейронной сетью.

Генеративное преобразование изображения может создавать или удалять патологические структуры, поэтому требует строгой проверки.

Сдвиг распределения

Пусть обучающее и целевое распределения различаются:

P_{\rm train}(X,Y)\neq P_{\rm deploy}(X,Y).

Виды сдвига:

  • изменение сканера;
  • изменение протокола;
  • изменение распространённости;
  • изменение популяции;
  • изменение клинического маршрута;
  • изменение лечения;
  • временной дрейф.

Высокая внутренняя AUC не показывает устойчивость к таким изменениям.

Интерпретируемость

Для ручных признаков можно анализировать коэффициенты модели, но название признака не всегда соответствует клинически понятному механизму.

Для глубоких моделей применяются:

Объяснение должно проверяться на стабильность и клиническую правдоподобность. Визуальная карта внимания не доказывает, что модель использует причинно значимую структуру.

Различия между направлениями

Радиомика

Преобразует медицинское изображение или область в количественные признаки и использует их для моделирования.

Анализ медицинских изображений

Более широкое направление, включающее:

Радиомика является частью анализа медицинских изображений.

Компьютерная диагностика

Компьютерная диагностика — система поддержки или автоматизации диагностического решения. Она может использовать радиомику, глубокое обучение, клинические данные или правила.

Радиогеномика

Исследует связи изображения с молекулярными и геномными характеристиками.

Цифровая патология

Анализирует гистологические изображения и клеточную морфологию.

Глубокое обучение

Является общим классом методов и не ограничивается медицинскими изображениями или радиомикой.

Клинические применения

Онкология

Радиомика применяется для:

  • различения доброкачественных и злокачественных образований;
  • определения стадии;
  • прогнозирования гистологического типа;
  • оценки молекулярного подтипа;
  • прогнозирования выживаемости;
  • оценки ответа на лучевую терапию;
  • прогнозирования рецидива;
  • анализа внутриопухолевой неоднородности.

Большая часть исследований остаётся ретроспективной. Связь с исходом не означает, что использование модели улучшит лечение.

Неврология

Применения:

МРТ-радиомика чувствительна к последовательности, полю томографа и предварительной обработке.

Кардиология

Используются КТ, МРТ, эхокардиография и ПЭТ для:

Движение сердца требует синхронизации и устойчивой регистрации.

Пульмонология

Применения:

КТ лёгких особенно чувствительна к глубине вдоха и ядру реконструкции.

Патология

Объединение радиомики и цифровой патологии используется для:

  • сопоставления макро- и микрофенотипа;
  • прогнозирования молекулярных характеристик;
  • анализа неоднородности;
  • построения мультимодальных моделей.

Пространственное соответствие радиологического и гистологического материала часто ограничено деформацией ткани и различием масштаба.

Прогноз ответа на терапию

Модель может оценивать вероятность ответа:

P(R=1\mid X,T=t).

Но для выбора между терапиями необходима оценка взаимодействия:

Y=\beta_0+\beta_1T+\beta_2Z+\beta_3TZ+\varepsilon.

Коэффициент \beta_3 характеризует различие эффекта терапии в зависимости от биомаркера.

Поддержка клинических решений

Радиомическая система может:

  • дополнять оценку врача;
  • определять необходимость дополнительного исследования;
  • выбирать пациентов для биопсии;
  • стратифицировать риск;
  • помогать планировать лечение;
  • контролировать динамику.

Перед внедрением необходимо сравнить систему не с отсутствием информации, а с реальным стандартом клинической практики.

Сравнение подходов

Подход Требования к данным Интерпретируемость Воспроизводимость Вычислительная стоимость Масштабируемость Устойчивость к сдвигу Преимущества Ограничения
Классическая радиомика Изображения, сегментации, сравнительно небольшая выборка Средняя или высокая на уровне формул Зависит от стандартизации конвейера Низкая или средняя Высокая после сегментации Ограниченная Фиксированные признаки, работа при малом n Чувствительность к настройкам, коррелированность
Глубокая радиомика Изображения и данные для обучения или предварительно обученная сеть Низкая или средняя Зависит от сети и слоя Высокая Высокая при автоматизации Ограниченная без доменной адаптации Гибкие признаки, использование пространственного контекста Сложная интерпретация и высокая потребность в данных
Сквозная глубокая модель Большая размеченная выборка Низкая Зависит от кода, весов и протокола Высокая Высокая после обучения Часто низкая при межцентровом переносе Совместная оптимизация всего процесса Риск скрытых коррелятов и переобучения
Традиционная клиническая модель Клинические и лабораторные данные Обычно высокая Часто выше при стандартизованных переменных Низкая Высокая Зависит от популяции Простота, доступность, понятность Может не использовать пространственную информацию изображения

Новый радиомический алгоритм должен сравниваться с клинической моделью и объединённой моделью:

{\rm Model}_{\rm clinical},
{\rm Model}_{\rm radiomics},
{\rm Model}_{\rm combined}.

Увеличение AUC должно сопровождаться анализом калибровки и клинической пользы.

Стандартизация

Image Biomarker Standardisation Initiative

IBSI предназначена для:

  • унификации названий признаков;
  • определения математических формул;
  • описания предварительной обработки;
  • предоставления эталонных изображений;
  • предоставления контрольных значений;
  • проверки программных реализаций;
  • стандартизации фильтров.

В первом разделе IBSI стандартизованы основные вычислительные признаки, а последующие материалы расширяют стандартизацию фильтрации.[1]

Соответствие IBSI означает согласованность вычислений с эталоном, но не подтверждает клиническую валидность модели.

PyRadiomics

PyRadiomics поддерживает:

  • признаки формы;
  • первый порядок;
  • GLCM;
  • GLRLM;
  • GLSZM;
  • NGTDM;
  • GLDM;
  • фильтрованные изображения;
  • конфигурационные файлы.

Для воспроизводимости необходимо сохранять:

  • версию пакета;
  • файл параметров;
  • версию зависимостей;
  • параметры ресэмплинга;
  • маски;
  • список активных признаков.

Стандарты качества и отчётности

Radiomics Quality Score

Radiomics Quality Score был предложен для оценки методологической строгости радиомических исследований. Он учитывает, среди прочего:

  • протокол визуализации;
  • повторные исследования;
  • сегментацию;
  • отбор признаков;
  • валидацию;
  • калибровку;
  • клиническую полезность;
  • открытость данных и кода.[1]

RQS не является заменой экспертной оценки риска смещения и не должен использоваться как единственный показатель качества.

В 2025 году была предложена обновлённая версия RQS 2.0, ориентированная на уровни готовности и клиническую трансляцию, включая аспекты глубокого обучения, реальной осуществимости и оценки влияния.[1]

METRICS

METhodological RadiomICs Score разработан как инструмент оценки качества радиомических исследований и поддержан European Society of Medical Imaging Informatics.[1]

TRIPOD+AI

TRIPOD+AI содержит рекомендации по прозрачному описанию моделей индивидуального диагноза и прогноза, построенных методами регрессии или машинного обучения.[1]

Следует сообщать:

  • источник данных;
  • критерии включения;
  • обработку пропусков;
  • объём выборки;
  • полный конвейер;
  • гиперпараметры;
  • внутреннюю и внешнюю проверку;
  • калибровку;
  • способ получения прогноза.

PROBAST+AI

PROBAST+AI используется для оценки качества, риска смещения и применимости исследований прогностических и диагностических моделей.[1]

CLAIM

Checklist for Artificial Intelligence in Medical Imaging предназначен для прозрачного описания исследований искусственного интеллекта в медицинской визуализации.[1]

Отчётность не исправляет слабый дизайн исследования, но позволяет читателю оценить его ограничения.

Защита медицинских данных

Изображения и связанные клинические данные являются чувствительной информацией.

Необходимы:

Файл DICOM может содержать идентификаторы не только в заголовках, но и непосредственно в пикселях.

Федеративное обучение

Федеративное обучение позволяет обучать модель без централизованной передачи всех данных.

Локальное обновление:

\theta_k^{(t+1)}= {\rm Train}(\theta^{(t)},{\cal D}_k).

Агрегация:

\theta^{(t+1)}= \sum_k\frac{n_k}{\sum_jn_j} \theta_k^{(t+1)}.

Федеративное обучение не гарантирует конфиденциальность само по себе. Возможны утечки через градиенты, различия центров и атаки на участников.

Независимая валидация

Независимая проверка должна по возможности выполняться командой, не участвовавшей в разработке.

Необходимо предоставить:

  • окончательную версию модели;
  • код предварительной обработки;
  • порог;
  • список признаков;
  • коэффициенты;
  • контейнер или исполняемую реализацию;
  • описание допустимых входов;
  • правила обработки ошибок.

Изменение модели после просмотра внешних результатов превращает набор в часть разработки и требует новой независимой проверки.

Клиническая валидация

Исследовательская модель становится клиническим инструментом только после оценки:

  • технической точности;
  • клинической валидности;
  • аналитической воспроизводимости;
  • влияния на решение;
  • безопасности;
  • сравнения со стандартом;
  • пользы для пациента;
  • стоимости;
  • интеграции в рабочий процесс.

Ретроспективная ассоциация не доказывает, что использование модели улучшит исходы.

Практический порядок исследования

  1. Определить клиническую задачу и момент применения.
  2. Указать диагностическую, прогностическую или терапевтическую цель.
  3. Заранее определить популяцию и исход.
  4. Зафиксировать протоколы визуализации.
  5. Выполнить контроль качества изображений.
  6. Разделить пациентов на разработку и независимую проверку.
  7. Зафиксировать предварительную обработку.
  8. Описать сегментацию.
  9. Проверить устойчивость признаков.
  10. Выполнить отбор только внутри обучающего конвейера.
  11. Использовать вложенную кросс-валидацию при подборе модели.
  12. Сравнить с клинической моделью.
  13. Оценить дискриминацию.
  14. Оценить калибровку.
  15. Оценить клиническую полезность.
  16. Выполнить внешнюю валидацию.
  17. Проверить межцентровый перенос.
  18. Задокументировать код, версии и параметры.
  19. Провести анализ ошибок.
  20. Оценить влияние модели на клинический процесс.

Основные преимущества

  • количественный анализ стандартных изображений;
  • неинвазивное исследование всего объёма поражения;
  • оценка пространственной неоднородности;
  • возможность повторного анализа архивных данных;
  • объединение с клиническими и молекулярными данными;
  • автоматизация отдельных этапов;
  • потенциальная поддержка персонализированного лечения;
  • возможность динамического анализа повторных исследований.

Основные ограничения

  • зависимость от протокола сканирования;
  • чувствительность к сегментации;
  • высокая размерность;
  • малая выборка;
  • множественная проверка гипотез;
  • коррелированность признаков;
  • утечка данных;
  • недостаток внешней валидации;
  • межцентровый сдвиг;
  • слабая причинная интерпретация;
  • ограниченная воспроизводимость;
  • неодинаковые определения deep radiomics;
  • отсутствие гарантированной клинической пользы;
  • риски медицинских данных;
  • высокая стоимость проспективной проверки.

См. также

Примечания


Литература

  • Gillies R. J., Kinahan P. E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data // Radiology. — 2016. — Т. 278. — № 2. — С. 563—577.
  • Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. — Second Edition. — New York: Springer, 2009. — ISBN 978-0-387-84857-0
  • Lambin P., Rios-Velazquez E., Leijenaar R. et al. Radiomics: Extracting More Information from Medical Images Using Advanced Feature Analysis // European Journal of Cancer. — 2012. — Т. 48. — № 4. — С. 441—446.
  • Kumar V., Gu Y., Basu S. et al. Radiomics: The Process and the Challenges // Magnetic Resonance Imaging. — 2012. — Т. 30. — № 9. — С. 1234—1248.
  • Aerts H. J. W. L., Velazquez E. R., Leijenaar R. T. H. et al. Decoding Tumour Phenotype by Noninvasive Imaging Using a Quantitative Radiomics Approach // Nature Communications. — 2014. — Т. 5. — С. 4006.
  • Lambin P., Leijenaar R. T. H., Deist T. M. et al. Radiomics: The Bridge between Medical Imaging and Personalized Medicine // Nature Reviews Clinical Oncology. — 2017. — Т. 14. — № 12. — С. 749—762.
  • van Griethuysen J. J. M., Fedorov A., Parmar C. et al. Computational Radiomics System to Decode the Radiographic Phenotype // Cancer Research. — 2017. — Т. 77. — № 21. — С. e104—e107.
  • Litjens G., Kooi T., Bejnordi B. E. et al. A Survey on Deep Learning in Medical Image Analysis // Medical Image Analysis. — 2017. — Т. 42. — С. 60—88.
  • Orlhac F., Boughdad S., Philippe C. et al. A Postreconstruction Harmonization Method for Multicenter Radiomic Studies in PET // Journal of Nuclear Medicine. — 2018. — Т. 59. — № 8. — С. 1321—1328.
  • Zwanenburg A., Vallières M., Abdalah M. A. et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping // Radiology. — 2020. — Т. 295. — № 2. — С. 328—338.
  • Mongan J., Moy L., Kahn C. E. Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers // Radiology: Artificial Intelligence. — 2020. — Т. 2. — № 2. — С. e200029.
  • Orlhac F., Eertink J. J., Cottereau A.-S. et al. A Guide to ComBat Harmonization of Imaging Biomarkers in Multicenter Studies // Journal of Nuclear Medicine. — 2022. — Т. 63. — № 2. — С. 172—179.
  • Kocak B., Akinci D'Antonoli T., Mercaldo N. D. et al. METhodological RadiomICs Score (METRICS): A Quality Scoring Tool for Radiomics Research Endorsed by EuSoMII // Insights into Imaging. — 2024. — Т. 15.
  • Collins G. S., Moons K. G. M., Dhiman P. et al. TRIPOD+AI Statement: Updated Guidance for Reporting Clinical Prediction Models That Use Regression or Machine Learning Methods // BMJ. — 2024. — Т. 385. — С. e078378.
  • Moons K. G. M., Wolff R. F., Riley R. D. et al. PROBAST+AI: An Updated Quality, Risk of Bias, and Applicability Assessment Tool for Prediction Models Using Regression or Artificial Intelligence Methods // BMJ. — 2025. — Т. 388. — С. e082505.
  • Lambin P., Woodruff H. C., Mali S. A. et al. Radiomics Quality Score 2.0: Towards Radiomics Readiness Levels and Clinical Translation for Personalized Medicine // Nature Reviews Clinical Oncology. — 2025.
Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A0%D0%B0%D0%B4%D0%B8%D0%BE%D0%BC%D0%B8%D0%BA%D0%B0_%28Radiomics%29_%D0%B8_%D0%B3%D0%BB%D1%83%D0%B1%D0%BE%D0%BA%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5»
Личные инструменты