Sintesi Tecnica: ConRad: Conformal Prediction Efficiente per la Radiomica

Definizione del Problema

Le caratteristiche radiomiche derivate da immagini mediche e maschere di segmentazione sono critiche per il processo decisionale clinico. Tuttavia, nella pratica, queste caratteristiche vengono spesso calcolate a partire da maschere di segmentazione predette generate da modelli automatizzati. Questi modelli di segmentazione possono essere eccessivamente sicuri di sé o scarsamente calibrati, causando una percezione di maggiore affidabilità delle misurazioni radiomiche derivate rispetto alla loro reale validità.

Sebbene la Quantificazione dell'Incertezza (UQ) sia essenziale in scenari ad alto rischio, gli approoli standard spesso trattano le misurazioni radiomiche come output scalari arbitrari, ignorando il processo specifico della loro generazione. I metodi esistenti di Conformal Prediction (CP) per la segmentazione si concentrano tipicamente sull'incertezza a livello di pixel o su metriche basate sul volume. Essi non riescono a fornire intervalli efficienti e calibrati per target radiomici non volumetrici (ad es. texture, forma, distribuzione dell'intensità) perché non sfruttano le informazioni disponibili al tempo di test riguardanti l'aspetto dell'immagine, la geometria della maschera e l'incertezza della segmentazione. Di conseguenza, i metodi diretti di UQ possono perdere significativi guadagni di efficienza non riuscendo a utilizzare le informazioni contenute nella maschera predetta.

Metodologia: Framework ConRad

Gli autori propongono ConRad, un framework conformale progettato per costruire intervalli di predizione adattivi ed efficienti per target radiomici scalari derivati da maschere di segmentazione predette. Il metodo utilizza la Conformalized Quantile Regression (CQR) per apprendere modelli di quantile condizionali che adattano la larghezza degli intervalli in base alla difficoltà del caso.

Flusso di Lavoro

1. Definizione dell'Input: Per un caso $i$, sia $A_i$ l'immagine di input, $\hat{M}_i$ la maschera di segmentazione predetta (disponibile all'inferenza) e $M_i$ la maschera di riferimento (usata solo per l'addestramento/calibrazione). Un estrattore radiomico $\rho$ mappa una coppia immagine-maschera in un target scalare.
   • Target predetto: $\hat{Y}_i = \rho(A_i, \hat{M}_i)$
   • Target di riferimento: $Y_i = \rho(A_i, M_i)$
2. Costruzione delle Caratteristiche ($X_i$): ConRad costruisce un vettore di caratteristiche $X_i = (\hat{Y}_i, \hat{Z}_i)$ utilizzando solo informazioni disponibili al tempo di test. $\hat{Z}_i$ comprende quattro famiglie di covariate:
   • Geometria e Topologia: Conteggio dei pixel, frazione di immagine occupata e numero di componenti connesse nella maschera predetta.
   • Distribuzione dell'Intensità: Statistiche (media, deviazione standard, minimo, massimo, percentili) dell'intensità dell'immagine all'interno della regione predetta.
   • Radiomica Predetta: Il valore radiomico predetto stesso e altre caratteristiche predette dalle famiglie di forma, intensità del primo ordine e texture.
   • Incertezza del Confine (Boundary Uncertainty): Statistiche di probabilità ed entropia derivate dalla mappa di probabilità predetta, specificamente all'interno di una banda di confine (creata dilatando/erodendo la maschera di 1 pixel) e globalmente.
3. Addestramento e Calibrazione:
   • Addestramento: La CQR addestra modelli di quantile condizionali inferiore ($\hat{Q}_{\alpha/2}$) e superiore ($\hat{Q}_{1-\alpha/2}$) su un set di addestramento.
   • Calibrazione: Su un set di calibrazione disgiunto, vengono calcolati i punteggi di non conformità $R_i = \max\{\hat{Q}_{\alpha/2}(X_i) - Y_i, Y_i - \hat{Q}_{1-\alpha/2}(X_i)\}$. Un quantile conforme $\hat{q}$ è determinato come l'ordine statistico $\lceil(1-\alpha)(n+1)\rceil$ di questi punteggi.
   • Predizione: Per un nuovo caso di test, l'intervallo è $S(X_{test}) = [\hat{Q}_{\alpha/2}(X_{test}) - \hat{q}, \hat{Q}_{1-\alpha/2}(X_{test}) + \hat{q}]$.
4. Garanzia Teorica: Sotto l'assunzione di scambiabilità tra gli esempi di calibrazione e quelli di test, ConRad garantisce la copertura marginale a campione finito: $\Pr\{Y_{test} \in S(X_{test})\} \geq 1 - \alpha$.

Filtraggio dei Target

Per garantire una valutazione significativa, gli autori implementano una procedura di filtraggio per rimuovere i target radiomici degeneri (ad es. valori mancanti, valori quasi costanti o varianza nulla) attraverso tre famiglie: caratteristiche di forma, intensità del primo ordine e texture.

Contributi Chiave

1. Framework ConRad: La formulazione di un framework di predizione conformale adattivo alle caratteristiche, specifico per i target radiomici scalari derivati da maschere di segmentazione predette. Esso utilizza esplicitamente le informazioni sull'output della segmentazione (geometria, intensità e incertezza del confine) per migliorare l'efficienza dell'intervallo.
2. Protocollo di Valutazione: L'introduzione di un protocollo di valutazione normalizzato per scala e a livello di target. Poiché le caratteristiche radiomiche variano in scala e unità, gli autori valutano l'efficienza utilizzando win rate a livello di target e miglioramento della larghezza relativa simmetrica rispetto al baseline più forte, piuttosto che aggregare le ampiezze grezze degli intervalli.

Risultati Sperimentali

Il metodo è stato valutato su cinque dataset di imaging medico 2D (HAM10000, Kvasir, COVID-QU-EX, TG3K, TN3K) che coprono dermatologia, endoscopia, radiografie del torace e ultrasuoni tiroidei. Un totale di 171 target radiomici è stato mantenuto dopo il filtraggio.

Performance

• Efficienza: ConRad ha migliorato l'efficienza dell'intervallo a livello di feature rispetto ai baseline (Split Conformal Prediction, CQR usando solo i valori predetti, e CQR usando feature generiche) mantenendo una copertura empirica vicina al livello nominale.
  • Miglioramento Relativo Medio: Sono stati osservati guadagni positivi nella maggior parte dei dataset, che vanno dal 2,03% (TN3K) al 5,83% (TG3K).
  • Win Rates: ConRad ha superato il baseline più forte nella maggior parte dei casi, con win rate compresi tra il 55,3% (Kvasir) e il 91,3% (COVID-QU-EX).
• Copertura: La copertura empirica è rimasta vicina al livello nominale del 90% ($1-\alpha$). La copertura media minima per target è stata dell'89,9%, e 170 su 171 target hanno raggiunto almeno il 90% di copertura media.
• Studio di Ablazione: Un'analisi di ablazione delle feature raggruppate ha rivelato che le caratteristiche di Incertezza del Confine (Boundary Uncertainty) sono state i maggiori contributori ai guadagni di efficienza, rappresentando in media il 40,5% dell'importanza di ablazione normalizzata. Ciò suggerisce che l'incertezza della segmentazione vicino ai bordi degli oggetti fornisce informazioni complementari rispetto ai riassunti generici di immagine e maschera.

Significato e Rivendicazioni

L'articolo afferma che ConRad estende la quantificazione dell'incertezza a livello di metrica oltre le semplici misurazioni volumetriche della segmentazione ai più ampi parametri radiomici. Sfruttando le informazioni al tempo di test sull'output della segmentazione e sulla sua incertezza, ConRad costruisce intervalli di incertezza più stretti senza sacrificare le garanzie formali di copertura.

Gli autori notano che, sebbene il metodo migliori l'efficienza, esso fornisce una copertura marginale su esempi di test scambiabili piuttosto che una copertura condizionale per specifici sottogruppi. Riconoscono limitazioni, tra cui il focus su dataset 2D (la radiomica 3D potrebbe comportarsi diversamente) e la dipendenza da mappe di probabilità utili per l'incertezza del confine. Il lavoro si posiziona come un passo verso pipeline di imaging clinico più affidabili e consapevoli dell'incertezza.