⚡ electrical engineering

ConRad: Efficient Conformal Prediction for Radiomics

ConRad ist ein effizientes Conformal-Prediction-Framework, das das Erscheinungsbild von Bildern, die Maskengeometrie und Segmentierungsunsicherheit nutzt, um adaptive, distributionsfreie Vorhersageintervalle für radiomische Merkmale zu konstruieren, wodurch die Effizienz der Intervalle über verschiedene medizinische Bilddatensätze hinweg signifikant verbessert wird, während eine nahezu nominale Abdeckung beibehalten wird.

Ursprüngliche Autoren: Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan

Veröffentlicht 2026-07-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel mithilfe von Hinweisen aus einem unscharfen Foto zu lösen. Sie haben einen Roboter-Assistenten, der eine grobe Skizze (eine „Maske“) um den Verdächtigen im Foto zeichnet. Basierend auf dieser Umrisslinie berechnet der Roboter einen „radiomischen“ Wert – vielleicht die Größe des Hutes des Verdächtigen oder die Textur seines Mantels. Dieser Wert hilft Ärzten, wichtige Entscheidungen zu treffen.

Aber hier ist der Haken: Der Roboter ist nicht perfekt. Manchmal ist er übermäßig selbstbewusst und zeichnet eine zittrige Umrisslinie, die dennoch solide aussieht. Wenn Sie einfach nur den Wert des Roboters nehmen und sagen: „Die Hutgröße beträgt 10 Zoll“, könnten Sie falsch liegen, und Sie wüssten nicht, wie sehr Sie sich irren könnten. Sie benötigen ein Sicherheitsnetz, einen Bereich möglicher Werte wie: „Der Hut ist zwischen 8 und 12 Zoll groß.“

Lange Zeit versuchten Wissenschaftler, diese Sicherheitsnetze mit einem „Black-Box“-Ansatz zu bauen. Sie betrachteten den Endwert und schätzten einen Bereich, ohne zu berücksichtigen, wie der Roboter die Umrisslinie gezeichnet hatte. Es war, als würde man das Wetter basierend nur auf der Temperatur erraten, während man Wind, Luftfeuchtigkeit und Wolkenformen ignoriert. Dies machte die Sicherheitsnetze zu breit und klobig.

Hier kommt ConRad ins Spiel, eine neue Methode, die von Matt Cheung und seinem Team an der Rice University vorgeschlagen wurde. Denken Sie an ConRad als einen superintelligenten Detektiv, der nicht nur auf den Endwert schaut. Stattdessen überprüft ConRad das Skizzenbuch des Roboters, während dieser arbeitet. Er fragt: „Wie wackelig ist die Umrisslinie? Ist sich der Roboter über die Kanten unsicher? Wie groß ist die Form?“

Durch die Verwendung dieser zusätzlichen Hinweise – insbesondere der Unsicherheit in der Nähe der Grenzen der Zeichnung des Roboters – kann ConRad diese klobigen Sicherheitsnetze verkleinern. Es macht den Bereich der möglichen Antworten viel enger und nützlicher, ohne das Versprechen zu verlieren, meistens richtig zu liegen.

Der große Testlauf

Um zu sehen, ob dies wirklich funktioniert, hat das Team nicht nur geraten; sie führten einen massiven Testlauf durch. Sie verwendeten fünf verschiedene medizinische Bilddatensätze (wie Fotos von Haut, dem Inneren des Magens, Thorax-Röntgenbildern und Schilddrüsen-Ultraschallbildern) und verfolgten 171 verschiedene radiomische Zielwerte (all diese Hutgrößen, Texturen und Formen).

Sie verglichen ConRad mit den alten „Black-Box“-Methoden und einigen etwas klügeren Versionen, die das Bild betrachteten, aber die zittrigen Kanten ignorierten. Die Ergebnisse waren vielversprechend:

Bei vier von fünf Datensätzen machte Conrad die Sicherheitsnetze signifikant enger. Beispielsweise wurden die Intervalle bei den Schilddrüsen-Ultraschalldaten (TN3K) im Durchschnitt um etwa 2,03 % schmaler. Bei den Hautbilddaten (HAM10000) verbesserten sie sich um 5,47 %.
Es gewann am häufigsten: In 82,5 % der Fälle bei Hautbildern und in 91,3 % der Fälle bei Thorax-Röntgenbildern lieferte ConRad einen besseren (engeren) Bereich als die beste konkurrierende Methode.
Es blieb ehrlich: Selbst obwohl die Bereiche kleiner wurden, hielt ConRad sein Versprechen. Es deckte den wahren Wert etwa 90 % der Zeit ab (das Ziel war auf $1 - \alpha = 0,9$ gesetzt). Tatsächlich erreichten 170 von 171 Zielwerten diesen 90 %-Punkt.

Das Geheimrezept: Die Kante zählt

Eine der spannendsten Entdeckungen war die Frage, warum ConRad so gut funktionierte. Das Team spielte ein Spiel nach dem Motto „Was wäre, wenn wir diesen Hinweis entfernen?“. Sie nahmen die Hinweise über die Form, die Helligkeit und die vorhergesagten Zahlen nacheinander weg.

Sie fanden heraus, dass die Grenzunsicherheit – die Hinweise darüber, wie zittrig die Umrisslinie des Roboters in der Nähe der Kanten war – der MVP (Most Valuable Player) war. Sie war für etwa 40,5 % der Verbesserung verantwortlich. Es stellt sich heraus, dass zu wissen, wo genau der Roboter verwirrt ist (meistens direkt am Rand des Objekts), der mächtigste Weg ist, um das Sicherheitsnetz zu verengen. Die anderen Hinweise, wie die allgemeine Helligkeit oder die Form, halfen zwar, aber bei weitem nicht so sehr.

Was dies (noch) nicht tut

Es ist wichtig zu wissen, was ConRad nicht tut. Die Arbeit schließt einige Dinge explizit aus:

Es ist kein Allheilmittel für 3D: Die Tests wurden nur an 2D-Bildern (flachen Bildern) durchgeführt. Die Autoren deuten an, dass die 3D-Radiomik sich möglicherweise anders verhält, aber sie haben das noch nicht getestet.
Es ist keine Garantie für jeden einzelnen Fall: Die Methode garantiert, dass sie über eine ganze Gruppe von Patienten hinweg zu 90 % richtig liegt (marginale Abdeckung). Sie verspricht jedoch nicht, dass sie für jeden einzelnen Patienten oder jede spezifische Untergruppe richtig liegt. Wenn sich die Daten ändern (z. B. durch die Verwendung eines anderen Scanners), muss die Methode möglicherweise nachjustiert werden.
Es löst nicht alles auf einmal: Derzeit behandelt ConRad jedes radiomische Ziel (wie „Hutgröße“ oder „Manteltextur“) separat. Es kann noch keine komplexen, mehrteiligen Vorhersagen gleichzeitig verarbeiten.

Das Fazit

Conrad legt nahe, dass wir, indem wir der „zittrigen Hand“ des Roboters an den Rändern einer Zeichnung Aufmerksamkeit schenken, medizinische Vorhersagen viel präziser und zuverlässiger machen können. Es ist ein Schritt nach vorn, um sicherzustellen, dass Ärzte, wenn sie diese ausgeklügelten Computer-Messungen verwenden, genau wissen, wie sehr sie diesen vertrauen können. Die Autoren fanden heraus, dass dieser Ansatz bei vielen verschiedenen Arten von medizinischen Bildern gut funktioniert, räumten aber auch ein, dass noch Arbeit zu leisten ist, bevor er 3D-Scans oder komplexe Szenarien mit mehreren Zielwerten bewältigt.

Technisches Resümee: ConRad: Effiziente konforme Prädiktion für die Radiomik

Problemstellung

Radiomische Merkmale, die aus medizinischen Bildern und Segmentierungsmasken abgeleitet werden, sind entscheidend für die klinische Entscheidungsfindung. In der Praxis werden diese Merkmale jedoch häufig aus prädizierten Segmentierungsmasken berechnet, die von automatisierten Modellen generiert wurden. Diese Segmentierungsmodelle können übermäßig konfident oder schlecht kalibriert sein, was dazu führt, dass die abgeleiteten radiomischen Messwerte zuverlässiger erscheinen, als sie tatsächlich sind.

Obwohl die Quantifizierung der Unsicherheit (Uncertainty Quantification, UQ) in Hochrisikoszenarien essenziell ist, behandeln Standardansätze radiomische Messungen oft als beliebige skalare Ausgaben und ignorieren dabei den spezifischen Entstehungsprozess ihrer Generierung. Bestehende Methoden der konformen Prädiktion (Conformal Prediction, CP) für die Segmentierung konzentrieren sich typischerweise auf die Unsicherheit auf Pixelebene oder volumenbasierte Metriken. Sie versäumen es, effiziente, kalibrierte Intervalle für nicht-volumetrische radiomische Zielgrößen (z. B. Textur, Form, Intensitätsverteilung) bereitzustellen, da sie keine Testzeit-Informationen bezüglich des Erscheinungsbilds des Bildes, der Maskengeometrie und der Segmentierungsunsicherheit nutzen. Folglich können direkte UQ-Methoden erhebliche Effizienzgewinne verpassen, indem sie die in der prädizierten Maske enthaltenen Informationen nicht ausschöpfen.

Methodik: Das ConRad-Framework

Die Autoren schlagen ConRad vor, ein konformes Framework, das darauf ausgelegt ist, adaptive, effiziente Prädiktionsintervalle für skalare radiomische Zielgrößen zu konstruieren, die aus prädizierten Segmentierungsmasken abgeleitet werden. Die Methode nutzt Conformalized Quantile Regression (CQR), um bedingte Quantilmodelle zu lernen, die die Intervallbreiten basierend auf der Fallkomplexität anpassen.

Arbeitsablauf

Definition des Inputs: Für einen Fall $i$ $i$ sei $A_i$ $A_{i}$ das Eingabebild, $\hat{M}_i$ $\hat{M}_{i}$ die prädizierte Segmentierungsmaske (zum Zeitpunkt der Inferenz verfügbar) und $M_i$ $M_{i}$ die Referenzmaske (nur für Training/Kalibrierung verwendet). Ein Radiomics-Extraktor $\rho$ $ρ$ bildet ein Bild-Masken-Paar auf eine skalare Zielgröße ab.
- Prädizierte Zielgröße: $\hat{Y}_i = \rho(A_i, \hat{M}_i)$
- Referenz-Zielgröße: $Y_i = \rho(A_i, M_i)$
Merkmalskonstruktion ( $X_i$ ): ConRad konstruiert einen Merkmalsvektor $X_i = (\hat{Y}_i, \hat{Z}_i)$ $X_{i} = (\hat{Y}_{i}, \hat{Z}_{i})$ unter Verwendung ausschließlich von Testzeit-Informationen. $\hat{Z}_i$ $\hat{Z}_{i}$ umfasst vier Familien von Kovariaten:
- Geometrie und Topologie: Pixelanzahl, Flächenanteil des Bildes, Anzahl der zusammenhängenden Komponenten in der prädizierten Maske.
- Intensitätsverteilung: Statistiken (Mittelwert, Standardabweichung, Minimum, Maximum, Perzentile) der Bildintensität innerhalb der prädizierten Region.
- Prädizierte Radiomik: Die prädizierte radiomische Zielgröße selbst sowie andere prädizierte Merkmale aus den Familien Form, First-Order-Intensität und Textur.
- Grenzflächenunsicherheit (Boundary Uncertainty): Wahrscheinlichkeitsstatistiken und Entropie, die aus der prädizierten Wahrscheinlichkeitskarte abgeleitet werden, spezifisch innerhalb eines Randstreifens (erzeugt durch Dilatation/Erosion der Maske um 1 Pixel) sowie global.
Training und Kalibrierung:
- Training: CQR trainiert untere ( $\hat{Q}_{\alpha/2}$ ) und obere ( $\hat{Q}_{1-\alpha/2}$ ) bedingte Quantilmodelle auf einem Trainingsdatensatz.
- Kalibrierung: Auf einem disjunkten Kalibrierungsdatensatz werden Nichtkonformitäts-Scores $R_i = \max\{\hat{Q}_{\alpha/2}(X_i) - Y_i, Y_i - \hat{Q}_{1-\alpha/2}(X_i)\}$ berechnet. Ein konformes Quantil $\hat{q}$ wird als das $\lceil(1-\alpha)(n+1)\rceil$ -te Ordnungsstatistik dieser Scores bestimmt.
- Prädiktion: Für einen neuen Testfall ist das Intervall $S(X_{test}) = [\hat{Q}_{\alpha/2}(X_{test}) - \hat{q}, \hat{Q}_{1-\alpha/2}(X_{test}) + \hat{q}]$ .
Theoretische Garantie: Unter der Annahme der Austauschbarkeit (Exchangeability) zwischen Kalibrierungs- und Testbeispielen garantiert ConRad eine endliche Stichproben-Marginal-Abdeckung: $\Pr\{Y_{test} \in S(X_{test})\} \geq 1 - \alpha$ .

Target-Filterung

Um eine aussagekräftige Evaluierung zu gewährleisten, implementieren die Autoren ein Filterverfahren, um degenerative radiomische Zielgrößen (z. B. mit fehlenden Werten, nahezu konstanten Werten oder Nullvarianz) über drei Familien hinweg zu entfernen: Shape, First-Order-Intensität und Texture/Heterogenität.

Zentrale Beiträge

ConRad-Framework: Die Formulierung eines merkmalsadaptiven konformen Prädiktionsframeworks speziell für skalare radiomische Zielgrößen, die aus prädizierten Segmentierungsmasken abgeleitet werden. Es nutzt explizit Informationen aus dem Segmentierungsausgang (Geometrie, Intensität und Grenzflächenunsicherheit), um die Effizienz der Intervalle zu verbessern.
Evaluierungsprotokoll: Die Einführung eines skalen-normalisierten, zielgruppenbezogenen Evaluierungsprotokolls. Da radiomische Merkmale in Skala und Einheiten variieren, evaluieren die Autoren die Effizienz mittels Target-Level Win Rates und symmetrischer relativer Breitenverbesserung gegenüber dem stärksten Baseline-Modell, anstatt rohe Intervallbreiten zu aggregieren.

Experimentelle Ergebnisse

Die Methode wurde auf fünf 2D-medizinischen Bilddatensätzen (HAM10000, Kvasir, COVID-QU-EX, TG3K, TN3K) evaluiert, die Dermatologie, Endoskopie, Thorax-Röntgen und Schilddrüsen-Ultraschall abdecken. Insgesamt wurden 171 radiomische Zielgrößen nach der Filterung beibehalten.

Performance

Effizienz: ConRad verbesserte die Effizienz der Merkmals-Intervalle im Vergleich zu Baselines (Split Conformal Prediction, CQR unter Verwendung nur prädizierter Werte und CQR unter Verwendung generischer Merkmale) bei gleichbleibender nahezu nominaler empirischer Abdeckung.
- Mittlere relative Verbesserung: Es wurden positive Gewinne über die meisten Datensätze hinweg beobachtet, die von 2,03 % (TN3K) bis zu 5,83 % (TG3K) reichten.
- Win Rates: ConRad übertraf die stärkste Baseline in der Mehrheit der Fälle, mit Win Rates zwischen 55,3 % (Kvasir) und 91,3 % (COVID-QU-EX).
Abdeckung (Coverage): Die empirische Abdeckung blieb nahe am nominalen 90 %-Niveau ( $1-\alpha$ ). Die minimale mittlere zielgruppenbezogene Abdeckung lag bei 89,9 %, und 170 von 171 Zielgrößen erreichten mindestens eine mittlere Abdeckung von 90 %.
Ablationsstudie: Eine gruppierte Merkmals-Ablationsanalyse ergab, dass die Grenzflächenunsicherheit (Boundary Uncertainty) der größte Beitrag zur Effizienzsteigerung war und im Durchschnitt 40,5 % der normalisierten Ablations-Wichtigkeit ausmachte. Dies deutet darauf hin, dass die Segmentierungsunsicherheit in der Nähe von Objektgrenzen komplementäre Informationen über allgemeine Bild- und Maskenzusammenfassungen hinaus liefert.

Bedeutung und Ansprüche

Das Paper behauptet, dass ConRad die metrische konforme Unsicherheitsquantifizierung über einfache volumenbasierte Segmentierungsmessungen hinaus auf breitere radiomische Messungen ausweitet. Durch die Nutzung von Testzeit-Informationen über den Segmentierungsausgang und dessen Unsicherheit konstruiert ConRad engere Unsicherheitsintervalle, ohne formale Abdeckungsgarantien zu opfern.

Die Autoren merken an, dass die Methode zwar die Effizienz verbessert, aber eine marginale Abdeckung über austauschbare Testbeispiele bietet und keine bedingte Abdeckung für spezifische Subgruppen. Sie räumen Einschränkungen ein, darunter den Fokus auf 2D-Datensätze (3D-Radiomik könnte sich anders verhalten) und die Abhängigkeit von aussagekräftigen Wahrscheinlichkeitskarten für die Grenzflächenunsicherheit. Die Arbeit positioniert sich als Schritt hin zu zuverlässigeren, unsicherheitsbewussten radiomischen Pipelines in der klinischen Bildgebung.