An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification

Riepilogo Tecnico: Un Framework di Deep Learning Interpretabile per la Scoperta e la Validazione Clinica di Firme Radiomiche Profonde nella Classificazione dei Tumori

Problematica

Sebbene il deep learning abbia dimostrato un potenziale significativo nell'analisi delle immagini mediche, la sua limitata interpretabilità rimane una barriera primaria all'adozione clinica. Gli approcci di deep learning esistenti spesso raggiungono elevate prestazioni predittive ma funzionano come "black box", fornendo scarsi approfondimenti biologici sulle specifiche firme d'immagine che guidano le decisioni di classificazione. Al contrario, la radiomica tradizionale si basa su caratteristiche artigianali estratte da segmentazioni manuali o automatiche dell'intero tumore. Sebbene queste firme tradizionali siano interpretabili, esse assumono spesso che l'intero tumore contribuisca uniformemente alla diagnosi, rischiando potenzialmente di trascurare sottoregioni spazialmente localizzate e clinicamente critiche (ad esempio, margini infiltrativi, nuclei necrotici o zone di transizione eterogenee). Inoltre, i workflow tradizionali sono laboriosi e dipendono fortemente da un pre-processing guidato dagli esperti. Esiste un divario fondamentale tra le firme tradizionali, che sono interpretabili ma potrebbero mancare della complessità biologica localizzata, e le firme di deep learning, che sono altamente predittive ma insufficientemente spiegabili.

Metodologia

Gli autori propongono un framework unificato che integra la segmentazione basata su deep learning, la classificazione spiegabile e l'analisi radiomica per scoprire firme d'immagine interpretabili. Il workflow si compone di quattro fasi principali:

1. Segmentazione Robusta: Il framework impiega inizialmente modelli di deep learning (specificamente nnU-Net e UNETR) per delineare accuratamente le regioni tumorali. Per aumentare la robustezza, viene calcolata l'unione delle predizioni di entrambi i modelli per definire la maschera del tumore.
2. Scoperta della Firma tramite Grad-CAM: Una pipeline guidata da Gradient-weighted Class Activation Mapping (Grad-CAM) identifica le regioni diagnosticamente importanti. Per focalizzare l'attenzione sul tumore, viene applicato un decadimento esponenziale della distanza alla Class Activation Map (CAM) basato sulla distanza dal centroide della maschera di segmentazione.
3. Sogliatura Adattiva: Viene impiegata una strategia di sogliatura adattiva basata sull'informazione mutua per estrarre firme specifiche per ogni paziente. Il sistema valuta esaustivamente le soglie candidate (0–255) all'interno della regione della maschera di segmentazione. La soglia ottimale viene selezionata come quella che massimizza l'informazione mutua tra la mappa CAM binarizzata e la maschera di ground-truth. Questo processo produce una regione di "Firma" che rappresenta l'attivazione della salienza con il più alto overlap informativo rispetto alla maschera del tumore.
4. Validazione e Interpretazione:
   • Validazione del Deep Learning: Le firme estratte vengono validate utilizzando modelli di classificazione di deep learning a valle (EfficientNet, ResNet50, DenseNet121 e Vision Transformer) attraverso tre impostazioni di input: Solo Immagine, Immagine + Maschera di Segmentazione, e Immagine + Maschera + Firma.
   • Analisi Radiomica: Le caratteristiche radiomiche vengono estratte dalle regioni definite dalla firma (e confrontate con la maschera completa). Queste caratteristiche sono analizzate utilizzando modelli di machine learning tradizionali (Random Forest, XGBoost, LinearSVM, Logistic Regression).
   • Interpretabilità: I valori SHAP (SHapley Additive exPlanations) vengono utilizzati per identificare i biomarcatori più discriminanti e collegarli alle caratteristiche patologiche.

Contributi Chiave

• Framework Innovativo: Il documento introduce un framework di costruzione delle firme che utilizza congiuntamente maschere di segmentazione e Grad-CAM per generare mappe di salienza che definiscono regioni di firma biologicamente significative.
• Estrazione Adattiva: Propone una strategia di sogliatura adattiva basata sull'informazione mutua per estrarre firme specifiche per paziente, andando oltre i cutoff fissi o arbitrari.
• Approccio di Doppia Validazione: Il framework valida le firme sia attraverso la classificazione di deep learning (dimostrando l'efficacia discriminativa) sia attraverso la radiomica con machine learning tradizionale (fornendo l'interpretabilità biologica).
• Valutazione Esaustiva: Sono stati condotti estesi esperimenti su quattro dataset: BUSI (ecografia mammaria), BraTS (MRI del tumore cerebrale), KiTS (CT renale) e una coorte privata di CT renale dell'UF Health, coprendo diverse modalità di imaging e tipi di tumore.

Risultati

• Performance del Deep Learning: In tutti i dataset e le architetture di backbone, l'incorporazione della firma proposta ha migliorato costantemente le prestazioni di classificazione rispetto all'uso delle sole immagini o delle immagini con maschera di segmentazione.
  • Sul dataset BraTS, l'aggiunta della firma alla maschera ha aumentato gli AUC (ad esempio, DenseNet è passato da 0.951 a 0.960).
  • Sul dataset BUSI, la firma ha fornito guadagni significativi, con l'AUC di DenseNet che è aumentata da 0.856 a 0.883 e un miglioramento sostanziale degli score F1 di ViT.
  • Sul dataset di CT renale UF Health, i miglioramenti sono stati più modesti ma generalmente positivi, suggerendo che, sebbene la morfologia globale sia critica per i tumori renali, la firma offre comunque informazioni complementari.
• Performance del Machine Learning: Nell'analisi radiomica, la strategia "Maschera $\cap$ Firma" (intersezione tra maschera e firma) ha spesso ottenuto l'AUC più elevata, in particolare per i tumori cerebrali e mammari. Ciò suggerisce che la firma raffina efficacemente la maschera del tumore escludendo le regioni non critiche pur preservando le aree discriminanti. Per i tumori renali, l'unione di maschera e firma ha talvolta performato meglio, indicando che la morfologia completa del tumore rimane altamente informativa.
• Interpretabilità: L'analisi SHAP ha rivelato pattern distinti di importanza delle caratteristiche. Per i tumore cerebrali, le regioni guidate dalla firma hanno evidenziato margini infiltrativi e componenti vascolari eterogenee. Per i tumori mammari, le caratteristiche relative all'area superficiale e all'eterogeneità della texture sono state chiave. Per i tumori renali, sono stati prominenti i tratti che catturano ampie regioni a bassa intensità ed elongazione. Questi risultati hanno collegato le firme estratte a specifiche caratteristiche patologiche (ad esempio, crescita infiltrativa nei gliomi rispetto all'enhancement omogeneo nei meningiomi).

Significatività e Rivendicazioni

Gli autori affermano che questo framework offre una soluzione interpretabile e riproducibile per la caratterizzazione non invasiva dei tumori e la scoperta di biomarcatori d'imaging. Convertendo l'attenzione del deep learning in biomarcatori d'imaging quantitativi e riproducibili, l'approccio colma il divario tra il potere predittivo del deep learning e la trasparenza biologica necessaria per la fiducia clinica. Lo studio dimosta che gli approcci basati sulle firme possono ottenere una migliore performance discriminativa rispetto alla radiomica convenzionale dell'intero tumore, fornendo al contempo una maggiore interpretabilità biologica.

Gli autori riconoscono i limiti, inclusa la dipendenza dall'accuratezza dei modelli di segmentazione sottostanti, la potenziale variabilità nella strategia di sogliatura adattiva e la necessità di dataset su scala più ampia per migliorare ulteriormente la generalizzabilità. Notano inoltre che la Grad-CAM riflette l'attenzione del modello piuttosto che la vera patologia causale, richiedendo una cauta interpretazione clinica.