Métodos de proyección de características de evaluación comparativa en radiómica

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.