CRESTomics: Analyzing Carotid Plaques in the CREST-2 Trial with a New Additive Classification Model

Probleemstelling

Carotisstenose (vernauwing van de halsslagader) is een belangrijke risicofactor voor ischemische beroertes. Een nauwkeurige karakterisering van carotisplaques is cruciaal voor de preventie van beroertes.

• Huidige beperkingen: De conventionele beoordeling steunt op duplex-echografie om luminaal vernauwing en plaque-morfologie te meten. Bestaande methoden gebruiken vaak een beperkt aantal kenmerken afgeleid van pixelintensiteiten.
• Uitdaging bij Radiomics: Hoewel radiomics (het extraheren van hoogdimensionale beeldkenmerken) waardevolle informatie biedt over textuur en samenstelling, zijn bestaande machinelearning-methoden vaak een compromis tussen prestaties en interpreteerbaarheid.
  • Deep Learning-methoden zijn vaak niet haalbaar vanwege de beperkte steekproefgrootte van carotisplaque-datasets.
  • Bestaande additieve modellen (zoals GAM) hebben moeite met het modelleren van niet-lineaire afhankelijkheden en het effectief "schrinken" (verkleinen) van irrelevante kenmerken.
• Doel: Het identificeren van op radiomics gebaseerde markers die correleren met een hoog klinisch risico op basis van B-mode-echobeelden, met behoud van volledige interpreteerbaarheid.

Methodologie

De auteurs analyseren data van 500 asymptomatische patiënten met een stenose van ≥70% uit de CREST-2 klinische trial.

1. Data en Kenmerken:

• Bron: Gecentreerde B-mode-echobeelden van de carotisbifurcatie.
• Kenmerken:
  • 102 radiomics kenmerken (geëxtraheerd met PyRadiomics): 9 vorm-, 18 eerste-orde en 75 textuurkenmerken (GLCM, GLDM, GLRLM, GLSZM, NGTDM).
  • Histologisch gecorreleerde markers (bijv. bloeding, lipiden, vezelig weefsel).
  • Hemodynamische metingen (PSV, EDV, ICA/CCA-ratio).
• Preprocessing: Afbeeldingen werden verwerkt met CLAHE-Advanced en herschaald naar een isotrope grootte.

2. Het Nieuwe Model: Kernel-based Additief Model
De auteurs stellen een nieuw classificatiemodel voor dat de flexibiliteit van niet-lineaire modellen combineert met de interpreteerbaarheid van additieve modellen.

• Structuur: Het model decomposeert de voorspelling in een som van univariate componenten per kenmerkengroep: $f(x) = \sum f_j(x_j)$.
• Kernel-methode: Het gebruikt een kernel-gebaseerde aanpak om niet-lineaire relaties te modelleren zonder de "black-box" aard van diepe netwerken.
• Verliesfunctie: Er wordt gebruikgemaakt van Coherence Loss (een Fisher-consistente, gladde en convexe surrogate loss) in plaats van standaard verliesfuncties.
• Regularisatie: Het model implementeert groep-sparse regularisatie (group-sparsity). Dit zorgt ervoor dat hele groepen van irrelevante kenmerken naar nul worden gedrukt, wat de selectie van de meest voorspellende kenmerkgroepen verbetert.
• Optimalisatie: Het probleem wordt geformuleerd als een regularized empirical risk minimization en opgelost met groepsgewijze majorisatie-descent.

3. Evaluatie:

• Doel: Voorspelling van "hoog-risico" plaques (gebaseerd op Gray-Weale types I en II).
• Validatie: 5-voudige cross-validatie op 450 trainingssamples, getest op een gehouden-out testset van 50 samples.
• Benchmarks: Vergelijking met Logistische Regressie, SVM (L1, L2, en Gaussische kernel), XGBoost en Logistische GAM.

Belangrijkste Bijdragen

1. Nieuw Algoritmisch Model: Introductie van een kernel-based additief model dat Coherence Loss combineert met groep-sparse regularisatie. Dit overbrugt de kloof tussen hoge niet-lineaire prestaties en volledige interpreteerbaarheid.
2. Interpreteerbaarheid: Het model maakt het mogelijk om de bijdrage van elke kenmerkengroep te visualiseren via partial dependence plots en kwantitatieve groepsbijdragen, wat inzicht geeft in waarom een plaque als hoog-risico wordt ingeschat.
3. Radiomics Validatie: Het aantonen dat radiomics-kenmerken sterk correleren met histologische markers en klinisch risico, zelfs in een dataset met beperkte omvang waar Deep Learning vaak faalt.

Resultaten

• Prestatie: Het voorgestelde model ("Ours") behaalde de beste algehele prestaties:
  • AUROC: 0.95 (SD 0.01)
  • Accuracy: 97.20%
  • F1-score: 88.11%
  • Dit is significant beter dan lineaire modellen en vergelijkbaar of beter dan complexe modellen zoals Gaussian SVM en XGBoost, maar dan met het voordeel van interpreteerbaarheid.
• Kenmerkcorrelatie:
  • Radiomics-kenmerken toonden matige tot sterke correlaties met plaque-karakteristieken zoals grijswaarde-mediane, bloeding, lipiden en vezelig weefsel.
  • Hemodynamische metingen (zoals PSV) toonden een zwakke correlatie, omdat deze afhankelijk zijn van zowel plaque-morfologie als vaatobstructie en niet alleen door plaque-radiomics kunnen worden vastgelegd.
• Interpretatie van Risico:
  • Textuur is cruciaal: GLCM-textuurkenmerken bleken het sterkst geassocieerd met hoog-risico plaques, gevolgd door eerste-orde, GLRLM en GLDM kenmerken.
  • NGTDM: Toonde geen duidelijke relatie (vlakke curves).
  • Dit bevestigt dat plaque-textuur een sterkere voorspeller is dan alleen helderheid (zoals in de Gray-Weale classificatie wordt gebruikt).

Betekenis en Conclusie

Dit onderzoek demonstreert dat het combineren van kernel-methoden met additieve structuren en groep-sparse regularisatie een krachtige aanpak is voor medische beeldanalyse bij beperkte datasets.

• Klinische Impact: Het model biedt artsen een nauwkeurig en uitlegbaar hulpmiddel om het risico van carotisplaques in te schatten, wat essentieel is voor het nemen van beslissingen over preventieve behandelingen (bijv. chirurgie vs. medicatie).
• Beperkingen: De methodologie heeft een hoge computationele complexiteit en is gevoelig voor variabiliteit in de echografie-acquisitie en handmatige segmentatie.
• Toekomst: Verdere onderzoek richt zich op het koppelen van radiomics-markers aan luminaal vernauwing om klinische uitkomsten voor beroertepreventie directer te voorspellen.

Samenvattend biedt "CRESTOMICS" een nieuwe, interpreteerbare standaard voor het analyseren van carotisplaques, waarbij bewezen wordt dat geavanceerde textuuranalyse via radiomics superieur is aan traditionele lineaire methoden voor het identificeren van hoog-risico patiënten.