Technische Samenvatting: ConRad: Efficiënte Conforme Predictie voor Radiomics

Probleemstelling

Radiomische kenmerken afgeleid van medische beelden en segmentatie-masks zijn cruciaal voor klinische besluitvorming. In de praktijk worden deze kenmerken echter vaak berekend op basis van voorspelde segmentatie-masks die zijn gegenereerd door geautomatiseerde modellen. Deze segmentatiemodellen kunnen overmoedig of slecht gekalibreerd zijn, waardoor afgeleide radiomische metingen minder betrouwbaar lijken dan ze in werkelijkheid zijn.

Hoewel Onzekerheidskwantificatie (UQ) essentieel is in scenario's met hoge inzet, behandelen standaardbenaderingen radiomische metingen vaak als willekeurige scalaire outputs, waarbij het specifieke proces van hun generatie wordt genegeerd. Bestaande Conforme Predictie (CP) methoden voor segmentatie richten zich doorgaans op pixelniveau-onzekerheid of volumegebaseerde metrieken. Ze slagen er niet in om efficiënte, gekalibreerde intervallen te bieden voor niet-volumetrische radiomische targets (bijv. textuur, vorm, intensiteitsverdeling), omdat ze geen gebruik maken van testtijd-informatie over beeldverschijning, maskervorm en segmentatie-onzekerheid. Bijgevolg kunnen directe UQ-methoden aanzienlijke efficiëntiewinsten missen door het niet benutten van de informatie die in het voorspelde masker besloten ligt.

Methodologie: ConRad Framework

De auteurs stellen ConRad voor, een conform framework ontworpen om adaptieve, efficiënte predictie-intervallen te construeren voor scalaire radiomische targets afgeleid van voorspelde segmentatie-masks. De methode maakt gebruik van Conformalized Quantile Regression (CQR) om conditionele kwantielmodellen te leren die de intervalbreedtes aanpassen op basis van de moeilijkheidsgraad van een geval.

Workflow

1. Input Definitie: Voor een geval $i$, laat $A_i$ het invoerbeeld zijn, $\hat{M}_i$ het voorspelde segmentatie-mask (beschikbaar bij inferentie), en $M_i$ het referentiemask (gebruikt alleen voor training/kalibratie). Een radiomics extractor $\rho$ brengt een beeld-mask paar in kaart naar een scalaire target.
   • Voorspelde target: $\hat{Y}_i = \rho(A_i, \hat{M}_i)$
   • Referentie target: $Y_i = \rho(A_i, M_i)$
2. Kenmerkconstructie ($X_i$): ConRad construeert een feature vector $X_i = (\hat{Y}_i, \hat{Z}_i)$ met gebruik van uitsluitend testtijd-informatie. $\hat{Z}_i$ bestaat uit vier families van covariaten:
   • Geometrie en Topologie: Pixel aantal, beeldfractie bezet, en het aantal verbonden componenten in het voorspelde masker.
   • Intensiteitsverdeling: Statistieken (gemiddelde, standaarddeviatie, min, max, percentielen) van de beeldintensiteit binnen de voorspelde regio.
   • Voorspelde Radiomics: De voorspelde radiomische waarde zelf en andere voorspelde kenmerken uit de families vorm, eerste-orde intensiteit en textuur.
   • Grensonzekerheid (Boundary Uncertainty): Waarschijnlijkheidsstatistieken en entropie afgeleid van de voorspelde waarschijnlijkheidskaart, specifiek binnen een grenszone (gecreëerd door het masker met 1 pixel te dilateren/eroderen) en globaal.
3. Training en Kalibratie:
   • Training: CQR traint lagere ($\hat{Q}_{\alpha/2}$) en hogere ($\hat{Q}_{1-\alpha/2}$) conditionele kwantielmodellen op een trainingsset.
   • Kalibratie: Op een disjunct kalibratieset worden non-conformity scores $R_i = \max\{\hat{Q}_{\alpha/2}(X_i) - Y_i, Y_i - \hat{Q}_{1-\alpha/2}(X_i)\}$ berekend. Een conform kwantiel $\hat{q}$ wordt bepaald als de $\lceil(1-\alpha)(n+1)\rceil$-de orde statistiek van deze scores.
   • Predictie: Voor een nieuw testgeval is het interval $S(X_{test}) = [\hat{Q}_{\alpha/2}(X_{test}) - \hat{q}, \hat{Q}_{1-\alpha/2}(X_{test}) + \hat{q}]$.
4. Theoretische Garantie: Onder de aanname van uitwisselbaarheid (exchangeability) tussen kalibratie- en testvoorbeelden, garandeert ConRad eindige-steekproef marginale dekking: $\Pr\{Y_{test} \in S(X_{test})\} \geq 1 - \alpha$.

Target Filtering

Om een zinvolle evaluatie te garanderen, implementeren de auteurs een filterprocedure om degeneratieve radiomische targets (bijv. met ontbrekende waarden, bijna constante waarden, of nulvariantie) te verwijderen over drie families: vorm, eerste-orde intensiteit en textuur/heterogeniteit kenmerken.

Belangrijkste Bijdragen

1. ConRad Framework: De formulering van een feature-adaptief conform predictie framework specifiek voor scalaire radiomische targets afgeleid van voorspelde segmentatie-masks. Het maakt expliciet gebruik van segmentatie-outputinformatie (geometrie, intensiteit en grensonzekerheid) om de efficiëntie van intervallen te verbeteren.
2. Evaluatieprotocol: De introductie van een schaal-genormaliseerd, target-niveau evaluatieprotocol. Omdat radiomische kenmerken variëren in schaal en eenheden, evalueren de auteurs efficiëntie met behulp van target-level win rates en symmetrische relatieve breedteverbetering tegen de sterkste baseline, in plaats van het poolen van ruwe intervalbreedtes.

Experimentele Resultaten

De methode werd geëvalueerd op vijf 2D medische beeldvormingsdatasets (HAM10000, Kvasir, COVID-QU-EX, TG3K, TN3K) die dermatologie, endoscopie, borstfoto's en schildklier echografie beslaan. In totaal werden 171 radiomische targets behouden na filtering.

Prestaties

• Efficiëntie: ConRad verbeterde de feature-level intervalefficiëntie vergeleken met baselines (Split Conformal Prediction, CQR met enkel voorspelde waarden, en CQR met generieke kenmerken) terwijl de bijna nominale empirische dekking behouden bleef.
  • Gemiddelde Relatieve Verbetering: Er werden positieve winsten waargenomen over de meeste datasets, variërend van 2,03% (TN3K) tot 5,83% (TG3K).
  • Win Rates: ConRad presteerde beter dan de sterkste baseline in de meerderheid van de gevallen, met win rates variërend van 55,3% (Kvasir) tot 91,3% (COVID-QU-EX).
• Dekking: De empirische dekking bleef dicht bij het nominale 90% niveau ($1-\alpha$). De minimale gemiddelde target-wijze dekking was 89,9%, en 170 van de 171 targets behaalden ten minste 90% gemiddelde dekking.
• Ablatie Studie: Een gegroepeerde feature-ablatie analyse toonde aan dat Grensonzekerheid (Boundary Uncertainty) kenmerken de grootste bijdragers waren aan de efficiëntiewinst, verantwoordelijk voor 40,5% van de genormaliseerde ablatie-belangrijkheid gemiddeld. Dit suggereert dat segmentatie-onzekerheid nabij objectgrenzen complementaire informatie biedt bovenop generieke beeld- en maskersamenvattingen.

Betekenis en Claims

Het artikel claimt dat ConRad de metriek-niveau conforme onzekerheidskwantificatie uitbreidt voorbij eenvoudige volumegebaseerde segmentatiemetingen naar bredere radiomische metingen. Door testtijd-informatie over de segmentatie-output en de onzekerheid daarvan te benutten, construeert ConRad nauwere onzekerheidsintervallen zonder de formele dekking guarantees op te offeren.

De auteurs merken op dat hoewel de methode de efficiëntie verbetert, het marginale dekking biedt over uitwisselbare testvoorbeelden in plaats van conditionele dekking voor specifieke subgroepen. Zij erkennen beperkingen, waaronder de focus op 2D-datasets (3D radiomics kan anders gedragen) en de afhankelijkheid van bruikbare waarschijnlijkheidskaarten voor grensonzekerheid. Het werk positioneert zich als een stap naar meer betrouwbare, onzekerheidsbewuste radiomische pipelines in de klinische beeldvorming.