Cardiovascular disease classification using radiomics and geometric features from cardiac CT

ملخص تقني: تصنيف أمراض القلب والأوعية الدموية باستخدام السمات الراديومية والهندسية من التصوير المقطعي المحوسب للقلب

بيان المشكلة
لا تزال أمراض القلب والأوعية الدموية (CVDs) سبباً رئيسياً للوفيات عالمياً، مما يستدعي تشخيصاً مبكراً ودقيقاً. وبينما يوفر التصوير المقطعي المحوسب (CT) بيانات تشريحية ووظيفية مفصلة، فإن التفسير اليدوي يستغرق وقتاً طويلاً وعرضة للتباين. تعتمد نهج التعلم العميق الحديثة لتصنيف أمراض القلب والأوعية الدموية عادةً على العمل مباشرة على صور التصوير المقطعي الخام أو استخدام مصنفات نهاية إلى نهاية (end-to-end) مقترنة بأقنعة التجزئة. ويرى المؤلفون أن هذه الأساليب تعاني من قصورين أساسيين: الافتقار إلى التفسير السريري، والفشل في التقاط المعلومات الهندسية المتعلقة بمورفولوجيا (شكل) البنى التشريحية. وتحديداً، لا تمثل سمات التجزئة القياسية بشكل كامل التشوهات المكانية أو الانحرافات عن الحالة الصحية التي قد تحتوي على معلومات تشخيصية حاسمة.

المنهجية
يقوم الإطار المقترح بتفكيك مسار تصنيف أمراض القلب والأوعية الدموية إلى ثلاث مراحل متميزة وقابلة للتفسير: (1) تجزئة الصور، (2) تسجيل الصور (image registration) إلى أطلس سكاني، (3) تصنيف المرض في مرحلة لاحقة.

1. التجزئة وبناء الأطلس:
   يستخدم المؤلفون إطار عمل Atlas-ISTN، الذي يتعلم التجزئة والتسجيل معاً لبناء أطلس تشريحي قائم على السكان. ولمعالجة تحدي محدودية البيانات المصنفة، يدمج الإطار النماذج التأسيسية سابقة التدريب:

• TotalSegmentator: نموذج سابق التدريب قادر على تجزئة 117 بنية تشريحية، استُخدم هنا لتجزئة سبع بنى قلبية رئيسية (الأذينات، البطينات، عضلة القلب، الأبهر، والجذع الرئوي) دون ضبط دقيق (fine-tuning).
• Anatomix: نموذج تأسيسي عام يعتمد على شبكة 3D U-Net، مدرب مسبقاً على بيانات اصطناعية وتم ضبطه بدقة على مجموعة بيانات MM-WHS لهذه المهمة المحددة.
• الأساس (Baseline): شبكة 3D U-Net تم تدريبها من الصفر على نفس البيانات للمقارنة.

2. استخراج السمات:

• السمات الراديومية (Radiomic Features): تُستخرج من خرائط التجزئة للهياكل القلبية السبعة. وتشمل هذه السمات الإحصاءات من الدرجة الأولى (المتوسط، التباين، الإنتروبيا)، واصفات الشكل ثلاثية الأبعاد (الحجم، الكروية)، ومصفوفات النسيج (GLCM، GLRLM، GLSZM، NGTDM، GLDM).
• السمات الهندسية (Geometric Features): تُشتق من حقول التشوه الناتجة عن تحويل (warping) صور الأفراد إلى الأطلس الصحي المعياري. وتعد ناقلات الإزاحة لكل فوكسل (voxel-wise displacement vectors) عالية الأبعاد؛ لذلك تم تطبيق تحليل القيم المفردة (SVD) لتقليل مساحة السمات واستخراج سمات تشوه منخفضة الأبعاد وقابلة للتفسير لكل بنية.

3. التصنيف:
   يعمل نظام "المدرك متعدد الطبقات" (MLP) كمصنف في المرحلة اللاحقة. ولتقييم مساهمة أنواع السمات المختلفة، تم تدريب ثلاثة نماذج منفصلة: نموذج يستخدم السمات الراديومية فقط، ونموذج يستخدم السمات الهندسية فقط، ونموذج يجمع بين كليهما. وكخط أساس (baseline)، تم تدريب نموذج 3D ResNet-50 مباشرة على صور التصوير المقطعي الخام.

النتائج الرئيسية
أُجريت التجارب باستخدام مجموعة بيانات MM-WHS لتدريب التجزئة، ومجموعة بيانات ASOCA المتاحة علناً (20 حالة سليمة و20 حالة مصابة) لتصنيف المرض، مع التقييم عبر التحقق المتقاطع خماسي الطيات (5-fold cross-validation).

• أداء التجزئة: حقق كل من TotalSegmentator ونموذج Anatomix المضبوط بدقة معاملات تشابه "دايس" (DSC) عالية وأخطاء حدود أقل (ASD, HD) مقارنة بـ 3D U-Net المدرب من الصفر. أنتج Anatomix تجزئات أكثر اتساقاً من الناحية البصرية، حيث طابق الحقيقة الأرضية (ground truth) عن كثب دون عيوب التجزئة الزائدة التي لوحظت في TotalSegmentator (تحديداً فيما يتعلق بالأبهر النازل).
• أداء التصنيف:
  • السمات المشتركة: حقق نموذج MLP الذي استخدم كلاً من السمات الراديومية والهندسية أعلى دقة بلغت 87.50% (±10.21)، مع معدل استدعاء (recall) بنسبة 90.00% ودرجة F1 بنسبة 88.01%.
  • السمات الفردية: أدى استخدام السمات الراديومية فقط إلى دقة بنسبة 82.50%، بينما حققت السمات الهندسية وحدها 76.67%. ويشير هذا إلى أن نوعي السمات يوفران معلومات تشخيصية متكاملة.
  • الأساس (Baseline): حقق نموذج ResNet-50 المدرب مباشرة على صور التصوير المقطعي الخام دقة بلغت 67.50% ومعدل استدعاء بنسبة 60.00%، وهو ما يقل بشكل كبير عن أداء النهج القائم على السمات.

الأهمية والادعاءات
يزعم البحث أن تفكيك مسار التصنيف إلى التجزئة، والتسجيل، واستخراج السمات يعزز التفسير السريري مقارنة بنماذج التعلم العميق "من البداية إلى النهاية". وتدعم النتలు الفرضية القائلة بأن السمات الهندسية المتعلقة بالمورفولوجيا التشريحية (تحديداً حقول التشوه بالنسبة لأطلس صحي) تحتوي على معلومات تشخيصية مكملة للسمات الراديومية القياسية.

ويؤكد المؤلفون أن نهجهم يحقق أداءً فائقاً في التصنيف (تحسن بنسبة تقارب 20% عن خط الأساس للصور الخام) دون الاعتماد على مجموعات بيانات صور ضخمة أو تدريب "من البداية إلى النهاية". ومن خلال الاستفادة من النماذج التأسيسية سابقة التدريب، يظهر المنهج فعالية في ظل ظروف ندرة البيانات. ويخلص العمل إلى أن السمات القابلة للتفسير المستمدة من البنى التشريحية وحقول التشوه هي أكثر قدرة على التمييز لتصنيف أمراض القلب والأوعية الدموية من السمات المتعلمة مباشرة من بيانات الكثافة الخام. وقد اقتُرح عمل مستقبلي للتحقق من هذه النتائج على مجموعات بيانات أكبر ودمج تقديرات عدم اليقين في المسار لتحسين الفائدة السريرية.