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

Technische Samenvatting: Een Interpreteerbaar Deep Learning Framework voor de Ontdekking en Klinische Validatie van Diepe Radiomische Signaturen in Tumorklassificatie

Probleemstelling

Hoewel deep learning een aanzienlijk potentieel heeft getoond in medische beeldanalyse, vormt de beperkte interpreteerbaarheid ervan een primaire barrière voor klinische adoptie. Bestaande deep learning-benaderingen bereiken vaak een hoge voorspellende prestatie, maar functioneren als "black boxes", waarbij ze weinig biologisch inzicht bieden in de specifieke beeldkenmerken die de classificatiebeslissingen aansturen. Daartegenover staat traditionele radiomics, dat vertrouwt op handmatig ontworikte kenmerken geëxtraheerd uit handmatig of automatisch gesegmenteerde volledige tumoren. Hoewel deze traditionele signaturen interpreteerbaar zijn, gaan ze er vaak van uit dat de gehele tumor uniform bijdraagt aan de diagnose, waardoor lokaal gefocuste, klinisch cruciale subregio's (bijv. infiltratieve marges, necrotische kernen of heterogene transitiezones) mogelijk over het hoofd worden gezien. Bovendien zijn traditionele workflows arbeidsintensief en sterk afhankelijk van door experts gestuurde preprocessing. Er bestaat een fundamentele kloof tussen traditionele signaturen, die interpreteerbaar zijn maar lokale biologische complexiteit kunnen missen, en deep learning-signaturen, die zeer voorspellend zijn maar onvoldoende verklaarbaar zijn.

Methodologie

De auteurs stellen een verenigd framework voor dat deep learning-gebaseerde segmentatie, verklaarbare classificatie en radiomische analyse integreert om interpreteerbare beeldkenmerken te ontdekken. De workflow bestaat uit vier hoofdfases:

1. Robuuste Segmentatie: Het framework maakt eerst gebruik van deep learning-modellen (specifiek nnU-Net en UNETR) om tumorregio's nauwkeurig af te bakenen. Om de robuustheid te vergroten, wordt een unie van voorspellingen van beide modellen berekend om de tumormasker te definiëren.
2. Signatureontdekking via Grad-CAM: Een door Gradient-weighted Class Activation Mapping (Grad-CAM) geleide pipeline identificeert diagnostisch belangrijke regio's. Om de aandacht op de tumor te richten, wordt een exponentiële afstand-decay toegepast op de Class Activation Map (CAM) op basis van de afstand tot het zwaartepunt van de segmentatiemasker.
3. Adaptieve Drempelwaarde: Een op wederzijdse informatie gebaseerde adaptieve drempelwaardestrategie wordt toegepast om patiëntspecifieke signaturen te extraheren. Het systeem evalueert exhaustief kandidaat-drempelwaarden (0–255) binnen de segmentatiemaskerregio. De optimale drempelwaarde wordt gekozen als de waarde die de wederzijdse informatie maximaliseert tussen de gebinariseerde CAM en de grondwaarheid (ground-truth) masker. Dit proces levert een "Signature"-regio op die de salientie-activatie vertegenwoordigt met de hoogste informatieve overlap met de tumormasker.
4. Validatie en Interpretatie:
   • Deep Learning Validatie: De geëxtraheerde signaturen worden gevalideerd met behulp van downstream deep learning classificatiemodellen (EfficientNet, ResNet50, DenseNet121 en Vision Transformer) over drie inputinstellingen: Alleen afbeelding, Afbeelding + Segmentatiemasker, en Afbeelding + Masker + Signature.
   • Radiomische Analyse: Radiomische kenmerken worden geëxtraheerd uit de door de signature gedefinieerde regio's (en vergeleken met de volledige masker) en geanalyseerd met behulp van traditionele machine learning modellen (Random Forest, XGBoost, LinearSVM, Logistische Regressie).
   • Interpreteerbaarheid: SHAP (SHapley Additive exPlanations) waarden worden gebruikt om de meest discriminerende biomarkers te identificeren en deze te koppelen aan pathologische kenmerken.

Belangrijkste Bijdragen

• Nieuw Framework: Het artikel introduceert een framework voor de constructie van signaturen dat gezamenlijk segmentatiemaskers en Grad-CAM gebruikt om saliente kaarten te genereren die biologisch betekenisvolle signature-regio's definiëren.
• Adaptieve Extractie: Het stelt een op wederzijnse informatie gebaseerde adaptieve drempelwaardestrategie voor om patiëntspecifieke signaturen te extraheren, waarmee verder wordt gegaan dan vaste of willekeurige afkapwaarden.
• Duale Validatiebenadering: Het framework valideert de signaturen zowel door deep learning classificatie (het demonstreren van discriminerend effectiviteit) als door traditionele machine learning met radiomische kenmerken (het bieden van biologische interpreteerbaarheid).
• Uitgebreide Evaluatie: Uitgebreide experimenten werden uitgevoerd op vier datasets: BUSI (borst echografie), BraTS (hersentumor MRI), KiTS (nier CT) en een private UF Health nier CT-cohort, die verschillende beeldmodaliteiten en tumortypes beslaan.

Resultaten

• Deep Learning Prestaties: Over alle datasets en backbone-architecturen heen, leidde het opnemen van de voorgestelde signature consequent tot een verbeterde classificatieprestatie vergeleken met het gebruik van alleen afbeeldingen of afbeeldingen met segmentatiemaskers.
  • Op de BraTS dataset verhoogde het toevoegen van de signature aan het masker de AUC's (bijv. DenseNet verbeterde van 0,951 naar 0,960).
  • Op de BUSI dataset leverde de signature significante winst op, waarbij de DenseNet AUC steeg van 0,856 naar 0,883 en de ViT F1-scores aanzienlijk verbeterden.
  • Op de UF Health nier CT-dataset waren de verbeteringen bescheidener maar over het algemeen positief, wat suggereert dat hoewel globale morfologie cruciaal is voor niertumoren, de signature nog steeds complementaire informatie biedt.
• Machine Learning Prestaties: In de radiomische analyse bereikte de "Mask $\cap$ Signature" strategie (doorsnede van masker en signature) vaak de hoogste AUC, met name voor hersen- en borsttumoren. Dit suggereert dat de signature de tumormasker effectief verfijnt door niet-kritieke regio's uit te sluiten terwijl discriminerende gebieden behouden blijven. Voor niertumoren presteerde de unie van masker en signature soms het best, wat aangeeft dat de volledige tumormorfologie zeer informatief blijft.
• Interpreteerbaarheid: SHAP-analyse onthulde duidelijke patronen van kenmerkbelang (feature importance). Voor hersentumoren highlightten signature-gestuurde regio's infiltratieve marges en heterogene vasculaire componenten. Voor borsttumoren waren kenmerken gerelateerd aan oppervlakte en textuurheterogeniteit cruciaal. Voor niertumoren waren kenmerken die grote laag-intensiteit regio's en elongatie vastlegden prominent. Deze bevindingen koppelden de geëxtraheerde signaturen aan specifieke pathologische kenmerken (bijv. infiltratieve groei bij gliomen versus homogene aankleuring bij meningiomen).

Betekenis en Claims

De auteurs beweren dat dit framework een interpreteerbare en reproduceerbare oplossing biedt voor niet-invasieve tumorkarakterisering en beeldbiomarkerontdekking. Door deep learning-aandacht om te zetten in reproduceerbare kwantitatieve beeldkenmerken, overbrugt de benadering de kloof tussen de voorspellende kracht van deep learning en de biologische transparantie die vereist is voor klinisch vertrouwen. De studie toont aan dat signature-gebaseerde benaderingen een verbeterde discriminerende prestatie kunnen bereiken ten opzien van conventionele whole-tumor radiomics, terwijl ze een grotere biologische interpreteerbaarheid bieden.

De auteurs erkennen beperkingen, waaronder de afhankelijkheid van de nauwkeurigheid van onderliggende segmentatiemodellen, de potentiële variabiliteit in de adaptieve drempelwaardastrategie en de noodzaak van grotere datasets om de generaliseerbaarheid verder te vergroten. Ze merken ook op dat Grad-CAM de aandacht van het model reflecteert in plaats van werkelijke causale pathologie, wat voorzichtige klinische interpretatie vereist.