Optimizing In Vivo Oral Lesion Classification from Electrical Impedance Spectroscopy Using Data-driven Approaches

Technische Samenvatting: Optimalisatie van de Classificatie van In Vivo Mondlaesies via Impedantiespectroscopie met Data-gedreven Benaderingen

Probleemstelling
Plaveiselcelcarcinoom van de mond (OSCC) vormt een aanzienlijke wereldwijde last voor de volksgezondheid, waarbij een diagnose in een laat stadium correleert met een hogere mortaliteit en morbiditeit. Hoewel vroege detectie de vijfjaren-overlevingspercentages drastisch verbetert (van ~58% naar ~89%), vertrouwt de huidige eerste lijn screening op invasieve biopsieën en histopathologie, die lijden aan variabiliteit tussen waarnemers bij het graden van dysplasie en beperkte toegankelijkheid in de eerstelijnszorg. Impedantiespectroscopie (EIS) biedt een niet-invasief alternatief dat in staat is weefselarchitectuur te karakteriseren. De klinische adoptie wordt echter gehinderd door twee barrières: (1) de moeilijkheid om betrouwbare onderscheid te maken tussen laesies met een hoog risico (OSCC en hooggradige dysplasie) en laesies met een laag risico (gezond of goedaardig weefsel) aan de hand van complexe, hoogdimensionale data, en (2) het gebrek aan interpreteerbare, handelingsgerichte outputs voor niet-specialistische clinici. Bestaande studies maken vaak gebruik van kleine steekproefgroottes of analyses op basis van een enkele frequentie/drempelwaarde die niet in staat zijn de rijke informatie te benutten die aanwezig is in datasets met meerdere elektroden en meerdere frequenties.

Methodologie
De studie presenteert een machine learning (ML) pipeline die is ontworpen om de classificatie van in vivo mondpathologie te optimaliseren met behulp van data van een handheld, 32-kanaals EIS-apparaat.

• Dataverwerving: Impedantiemetingen werden verzameld van 104 patiënten (276 onafhankelijke steekproeflocaties) die een resectie of biopsie van mondkanker ondergingen. Het apparaat gebruikte een 5×5 raster van spannings-sensoren omringd door acht stroom-injectie-elektroden, wat resulteerde in 7.728 unieke stroom-injectie/spannings-meting (IIVV) permutaties over 31 logaritmisch gespreide frequenties (100 Hz tot 100 kHz).
• Preprocessing: Data ondergingen spannings- en impedantie-gebaseerde filtering om artefacten te verwijderen. Een volledigheidsthorshold ($C_{th} = 60\%$) werd toegepast om de datakwaliteit te waarborgen, wat resulteerde in 256 levensvatbare steekproeven. Z-score normalisatie werd per frequentie toegepast om bias ten opzichte van kenmerken met hoge grootte te voorkomen.
• Classificatietaken: Drie taken werden geëvalueerd:
  1. Binair: Gezond versus Kanker.
  2. Multi-class: Kanker, Hooggradige Dysplasie en Niet-maligne.
  3. Multi-class: Gezond, Kanker, Hooggradige Dysplasie en Niet-maligne.
• Dimensionaliteitsreductie & Optimalisatie:
  • Frequentiereductie: Principal Component Analysis (PCA) werd gebruikt om frequenties te rangschikken op basis van hun bijdrage aan de scheidbaarheid van klassen.
  • IIVV-patroonreductie: Dertien geometrie-gebaseerde maskers (bijv. "Skip1 ver", "Tegenover elkaar medium") en een z-drempelwaarde-methode werden getest om informatieve elektrodeconfiguraties te identificeren.
  • Modelselectie: Support Vector Machines (SVM), Random Forests (RF) en Logistische Regressie (LR) werden getraind. Hyperparameters werden afgestemd via grid search.
• Validatie: Een leave-one-patient-group-out cross-validation (LOPGO-CV) strategie werd toegepast om robuustheid te waarborgen en datalekken te voorkomen, waarbij ervoor werd gezorgd dat modellen werden getest op onbekende patiënten.

Belangrijkste Bijdragen

1. Systematische Dimensionaliteitsreductie: De studie toont aan dat de inputdimensionaliteit met maximaal 99% kan worden gereduceerd (van ~239.000 kenmerken naar <1.800) zonder afbreuk te doen aan, en vaak zelfs verbetering van, de diagnostische nauwkeurigheid.
2. Geoptimaliseerde Kenmerkselectie: De pipeline identificeert specifieke subsets van frequenties en IIVV-patronen die de meeste diagnostische informatie dragen. Bijvoorbeeld, "Skip1 ver" en "Tegenover elkaar medium" IIVV-patronen waren consequent de best presterende.
3. Interpreteerbaar Klinisch Kader: Door gebruik te maken van klassieke ML-modellen (SVM, RF, LR) in plaats van deep learning, prioriteert de studie computationele efficiëntie en interpreteerbaarheid, en levert outputs die geschikt zijn voor real-time klinische besluitvorming.
4. Robuuste Validatie: Het gebruik van rigoureuze cross-validation op patiëntniveau adresseert de beperkingen van eerdere studies die mogelijk te maken hebben gehad met datalekken of kleine steekproefgroottes.

Resultaten

• Binair Classificatie (Taak 1): Een Logistische Regressie-model behaalde de hoogste nauwkeurigheid van 80% met een Area Under the Curve (AUC) van 0,90. Dit werd bereikt met slechts 8 best gerangschikte frequenties en de "Skip1 ver" IIVV-patroonset (1.792 inputparameters, <1% van de baseline).
• Multi-class Classificatie:
  • Taak 2 (Laesietype): Het beste model (LR) behaalde een AUC van 0,82.
  • Taak 3 (Volledige Pathologie): Het beste model (RF) behaalde een AUC van 0,83.
• Prestatie versus Baseline: Geoptimaliseerde modellen met gereduceerde kenmerksets over het algemeen de prestaties van baseline modellen getraind op de volledige dataset, of presteerden beter. Bijvoorbeeld, in Taak 1 verbeterde het gereduceerde model de AUC van 0,88 (baseline SVM) naar 0,90.
• Efficiëntie: Het verminderen van het aantal frequenties van 31 naar 5 (de best presterenden) verkleinde de dataverwervingstijd van 8 seconden naar 4 seconden per meting. De reductie in inputdimensionaliteit verlaagde de computationele kosten voor SVM's aanzienlijk, waardoor snellere voorspellingstijden mogelijk werden (~0,01s per voorspelling).

Betekenis en Claims
Het artikel claimt dat dit werk EIS-gebaseerde kankerdetectie vooruit helpt door een robust, computationeel efficiënt en klinisch praktisch kader te bieden.

• Overcoming Barrières: De methodologie adresseert direct de barrières voor klinische adoptie door betrouwbare discriminatie tussen laesies met een hoog risico en laesies met een laag risico mogelijk te maken en interpreteerbare outputs te leveren voor clinici.
• Generaliseerbaarheid: De auteurs stellen dat de methodologie readily generaliseerbaar is naar andere EIS-apparaten en toepassingen.
• Beperkte Beperkingen: Het artikel erkent dat de classificatieprestaties voor intermediaire laesies (hooggradige dysplasie en niet-maligne) lager blijven dan voor binaire kankerdetectie, wat de noodzaak onderstreept van grotere datasets met meer niet-kankerachtige steekproeven. Het geeft expliciet aan dat deep learning-modellen (CNN's) niet werden gebruikt vanwege het risico op overfitting gezien de ratio kenmerken tot steekproeven, en dat de huidige analyse offline is, hoewel real-time implementatie haalbaar wordt geacht.
• Klinische Impact: De studie concludeert dat gestroomlijnde, kosteneffectieve EIS-apparaten die deze pipeline gebruiken, snelle, niet-invasieve diagnose en surveillance van mondkanker kunnen bieden, en zo vertrouwenwekkende verwijzingen of biopsiebeslissingen ondersteunen in tandheelkundige en eerstelijnszorgsettings.