Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment

Probleemstelling

Knie-MRI is essentieel voor de diagnose van traumatische en degeneratieve aandoeningen, zoals voorste kruisband (ACL)-tranen en osteoartritis (OA). Hoewel diep leren (Deep Learning, DL) modellen sterke prestaties leveren, ontbreekt het vaak aan transparantie en interpreteerbaarheid; hun beslissingsmechanismen zijn vaak een "black box".

Traditionele radiomics-pijplijnen gebruiken vooraf gedefinieerde, vaste sets van kenmerken om beeldpatronen te kwantificeren. Deze benadering heeft echter twee nadelen:

1. Ze zijn te restrictief voor inter-patiënt variabiliteit en gevoelig voor data-heterogeniteit.
2. Bestaande adaptieve radiomics-methoden gebruiken vaak een "top-k" selectie: ze selecteren individuele kenmerken op basis van hun marginale relevantie. Dit negeert echter interacties tussen kenmerken en kan leiden tot de selectie van redundante (correlatie) kenmerken in plaats van complementaire bewijslast.

Het fundamentele probleem is dat het vinden van de optimale combinatie van $k$ kenmerken uit een pool van $F$ mogelijke kenmerken een combinatorisch onbeheersbare zoekruimte ($\binom{F}{k}$) creëert, wat een exhaustive search onmogelijk maakt.

Methodologie

De auteurs stellen een patiënt-specifiek framework voor kenmerkenset-selectie voor. In plaats van individuele kenmerken te selecteren, voorspelt het systeem voor elke patiënt één compacte, auditabele set van $k$ kenmerken die complementaire bewijslast biedt.

De methode bestaat uit de volgende componenten:

1. Probleemformulering:

   • Gegeven een MRI-volume $x_i$ en een segmentatie-masker voor anatomische regio's (ROI's), worden radiomics-kenmerken $r_i$ geëxtraheerd.
   • Het doel is om een set $S^*_i$ van grootte $k$ te vinden die de diagnostische prestatie maximaliseert.

2. Tweestaps Zoekstrategie (Two-Stage Retrieval):
   Om de onmogelijke exhaustive search te omzeilen, wordt een benadering gebruikt die de zoekruimte reduceert:

   • Fase 1 (Random Exploration): Tijdens het vroege trainingsstadium worden willekeurige sets van kenmerken geselecteerd. Een "probe" (een lichtgewicht lineaire classifier) levert een beloningssignaal (reward) op voor deze sets. Dit helpt bij het trainen van een scoringsfunctie.
   • Fase 2 (Top Set Retrieval): Voor elke patiënt wordt een grote voorlopige pool van kandidaat-sets ($P^{(0)}_i$) gegenereerd. De geleerde scoringsfunctie $s_\psi$ rangschikt deze sets. De top-$M$ sets worden geselecteerd als een kleinere kandidaat-pool, waaruit de uiteindelijke "top-1" set ($S^*_i$) wordt gekozen voor de diagnose.

3. Architectuur:

   • Set Encoder ($E_\theta$): Een permutatie-invariant model dat de geselecteerde kenmerken (waarde + metadata zoals ROI en kenmerkfamilie) tokeniseert en middelt tot een set-embedding.
   • Scoringsfunctie ($s_\psi$): Een model dat de MRI-context combineert met de set-embedding om een nuttigheidsscore te geven.
   • Downstream Classifier: Een classifier die de uiteindelijke diagnose maakt op basis van de geselecteerde set $S^*_i$.
   • Leerdoel: Een combinatie van classificatieverlies (voor de diagnose) en regressieverlies (om de scores van de scoringsfunctie te laten overeenkomen met de beloningen van de probe).

Belangrijkste Bijdragen

1. Patiënt-specifieke, auditabele sets: Het systeem genereert een expliciete lijst van $k$ kenmerken per patiënt, waarbij elk kenmerk traceerbaar is naar een specifieke anatomische regio (ROI) en radiomics-familie.
2. Tweestaps Zoekstrategie: Een computatief haalbare methode die de combinatorische zoekruimte benadert via willekeurige exploratie en geavanceerde selectie, zonder de noodzaak van een exhaustive search.
3. Superieure Prestaties met Transparantie: Het model overtreft traditionele "top-k" selectiemethoden (die individuele kenmerken selecteren) en is concurrerend met end-to-end Deep Learning-modellen, terwijl het de hoge transparantie behoudt.

Resultaten

Het framework werd gevalideerd op twee taken:

• ACL-traan detectie: Drie-klassen classificatie (geen, gedeeltelijk, volledig).
• Osteoartritis (OA) grading: Kellgren-Lawrence (KL) gradatie (binair en 5-klassen).

Kernbevindingen:

• Prestatie: De methode behaalde een nauwkeurigheid van 0.73 voor ACL-detectie (bij $k=30$), wat vergelijkbaar is met end-to-end beeldmodellen (0.72) en beter is dan de top-k baseline (0.64). Voor OA-grading (binair) werd een nauwkeurigheid van 0.75 behaald.
• Vergelijking: Het systeem presteerde significant beter dan de marginale top-k selectie bij dezelfde $k$-waarden, wat aantoont dat het selecteren van complementaire sets effectiever is dan het selecteren van individuele "beste" kenmerken.
• Interpreteerbaarheid: Case studies tonen aan dat het model logische keuzes maakt. Bij een gedeeltelijke ACL-traan selecteerde het kenmerken uit de ACL-ROI die correleerden met hoge signaalintensiteit en heterogeniteit. Bij OA werden kenmerken uit kraakbeen geselecteerd die textuurveranderingen en subchondrale herschikking weerspiegelden.
• Efficiëntie: De twee-staps strategie benadert de theoretisch optimale set met een zeer lage foutmarge (95e-percentiel fout van 0.0055).

Betekenis en Conclusie

Dit werk biedt een praktische oplossing voor het dilemma tussen de hoge prestaties van Deep Learning en de noodzaak van klinische interpreteerbaarheid. Door over te schakelen van "top-k" individuele kenmerken naar "top-1" patiënt-specifieke kenmerkensets, kunnen artsen niet alleen zien wat het model voorspelt, maar ook waarom (welke anatomische structuren en welke kwantitatieve beschrijvers de voorspelling drijven).

De methode maakt het mogelijk om diagnostische beslissingen te linken aan specifieke anatomische regio's en radiomics-families, wat vertrouwen wekt bij clinicians en de weg vrijmaakt voor transparante AI-toepassingen in de orthopedie. De code is open-source beschikbaar gesteld.