Métodos de proyección de características de evaluación comparativa en radiómica | JoVE Visualize

Área de la Ciencia:

Análisis de imágenes médicas
La radiomía
El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

La radiómica utiliza características cuantitativas de imágenes médicas para la predicción de resultados clínicos.
La selección de características es estándar, con el objetivo de reducir la dimensionalidad y mejorar la interpretabilidad del modelo.
Los métodos de proyección de características son menos comunes debido a preocupaciones de interpretabilidad, a pesar de los beneficios potenciales de rendimiento.

Objetivo del estudio:

Para comparar el rendimiento predictivo de los métodos de proyección de características frente a la selección de características en radiómica.
Evaluar si los métodos de proyección pueden superar las técnicas de selección tradicionales.
Para evaluar el impacto en las métricas de rendimiento clave como AUC, AUPRC y F-scores.

Principales métodos:

Modelos entrenados en 50 conjuntos de datos radiómicos diversos (TC/IRM) para tareas de clasificación binaria.
Se compararon nueve métodos de proyección de características (por ejemplo, PCA, NMF) con nueve métodos de selección de características (por ejemplo, MRMRe, ET, LASSO).
Se utilizó una validación cruzada de 5 veces con estratificación y 10 repeticiones para una evaluación robusta.

Principales resultados:

Los métodos de selección de características, en particular ET, MRMRe, Boruta y LASSO, generalmente arrojaron el mayor rendimiento general.
El rendimiento varió significativamente entre los conjuntos de datos; NMF superó ocasionalmente todos los métodos de selección.
La diferencia media de rendimiento entre los métodos de selección y de proyección era insignificante y no estadísticamente significativa.

Conclusiones:

Los métodos de selección de características siguen siendo la opción principal para los estudios radiómicos típicos.
Los métodos de proyección de características merecen consideración para maximizar potencialmente el rendimiento predictivo.
La elección metodológica debe equilibrar la interpretabilidad con la búsqueda de una precisión predictiva óptima.