Radiomic Feature Selection Using Gradient Loss of Deep Neural Network for Lung Cancer Stage Detection

Resumo Técnico: Seleção de Características Radiômicas Usando Perda de Gradiente de Rede Neural Profunda para Detecção de Estágio de Câncer de Pulmão

Problema
O câncer de pulmão continua sendo uma das principais causas de mortalidade, e a radiômica surgiu como uma ferramenta vital para extrair biomarcadores de imagem quantitativos de imagens médicas para auxiliar no diagnóstico e prognóstico. No entanto, os conjuntos de dados radiômicos são caracterizados por alta dimensionalidade e um número limitado de amostras, resultando em características redundantes e ruidosas que degradam o desempenho dos modelos preditivos. Embora métodos tradicionais de seleção de características (abordagens de filtro e wrapper) sejam amplamente utilizados, eles frequentemente falham em capturar as interações não lineares de características e as dependências contextuais profundas inerentes aos dados radiômicos. Além disso, estudos existentes sobre o estadiamento do câncer de pulmão frequentemente relatam acurácias abaixo de 90%, destacando a necessidade de estruturas de classificação mais robustas, interpretáveis e precisas.

Metodologia
O artigo propõe uma estrutura de Eliminação Recursiva de Características por Perda de Gradiente (GL-RFE). Esta abordagem integra a análise de sensibilidade de gradiente de uma rede neural profunda (DNN) ao processo de seleção de características para identificar as características radiômicas mais influentes para distinguir entre o estágio inicial (Estágio I e II) e o estágio avançado (Estágio IIIa e IIIb) do câncer de pulmão.

O fluxo de trabalho consiste em três fases primárias:

1. Preparação de Dados e Extração de Características: O estudo utiliza o conjunto de dados de radiômica de NSCLC publicamente disponível, composto por 4 volumes de TC. Utilizando o 3D Slicer e a extensão PyRadiomics, 106 características radiômicas manuais foram extraídas de volumes tumorais segmentados. Estas características abrangem sete classes: Forma (Shape), Ordem (First Order), GLCM, GLRLM, GLSZM, GLDM e NGTDM. Para lidar com o desequilíbrio de classes (onde os casos de estágio avançado superam os de estágio inicial), a classe minoritária é sobreamostrada usando a Técnica de Sobreamostragem de Minoria Sintética (SMOTE).
2. Seleção de Características por Perda de Gradiente: Ao contrário da Eliminação Recursiva de Características (RFE) convencional que depende de métricas de importância estáticas, a GL-RFE avalia dinamicamente a relevância das características. Um Perceptron Multicamadas (MLP) é treinado, e os gradientes da função de perda em relação a cada característica de entrada são computados. A magnitude média do gradiente absoluto serve como uma medida da influência de uma característica nas previsões do modelo. As características com as menores magnitudes de gradiente são iterativamente eliminadas até que as 15 características mais diagnósticas permaneçam.
3. Treinamento e Avaliação do Modelo: As 15 principais características selecionadas são usadas para treinar um classificador de Rede Neural Profunda (DNN). O modelo é avaliado usando validação cruzada estratificada de 5 dobras para garantir robustez e evitar vazamento de dados (data leakage). O desempenho é avaliado por meio de acurácia, precisão, revocação (recall) e F1-score.

Principais Contribuições

• Estrutura Inovadora: Introdução da GL-RFE, que aproveita o gradiente retropropagado de uma rede neural para guiar a eliminação de características, capturando assim as dependências não lineares que os métodos tradicionais perdem.
• Protocolo Reprodutível: O artigo fornece um protocolo detalhado, passo a passo, para a extração de características radiômicas via 3D Slicer e implementação do modelo GL-RFE usando Python (PyTorch, scikit-learn) em um ambiente Google Colab.
• Interpretabilidade: Ao reduzir o conjunto de características de 106 para 15 com base na sensibilidade do gradiente, o método aumenta a interpretabilidade do modelo e reduz a redundância, o que é crítico para a implantação clínica.

Resultados
A estrutura proposta demonstrou um forte desempenho de classificação no conjunto de dados de teste:

• Acurácia: 90,22%
• Precisão: 90,10%
• Revocação (Recall): 90,24%
• F1-Score: 90,16%

A análise comparativa revelou que a GL-RFE superou vários métodos de linha de base:

• Superou modelos convencionais de aprendizado de máquina (SVM, KNN, Regressão Logística) e métodos de conjunto (ensemble methods) como Random Forest.
• Alcançou maior acurácia do que modelos de aprendizado profundo treinados com todas as 106 características (87,10%) e outras arquiteturas de aprendizado profundo como CNNs (88,50%) e Autoencoders (89,10%).
• Entre as técnicas de seleção de características, a GL-RFE (90,22%) superou métodos de filtro (ex: ANOVA com 84,90%), métodos incorporados (embedded methods, ex: LASSO com 86,70%) e métodos wrapper (ex: RFE padrão com 88,30%).

Análises de visualização, incluindo mapas de calor de correlação e gráficos de Estimativa de Densidade de Kernel (KDE), confirmaram que as características selecionadas exibiram redução de redundância e melhor separabilidade de classes em comparação com o conjunto completo de características.

Significância e Alegações
Os autores alegam que a estrutura GL-RFE fornece uma metodologia reprodutível e interpretável para a detecção de estágio de câncer baseada em radiômica, particularmente adequada para conjuntos de dados biomédicos de alta dimensionalidade e pequenas amostras. A significância do trabalho reside em sua capacidade de unir a radiômica tradicional ao aprendizado profundo moderno ao usar a sensibilidade baseada em gradiente para identificar subconjuntos de características compactos e altamente informativos. Esta abordagem não apenas melhora a acurácia preditiva, mas também aumenta a capacidade de generalização do modelo. O artigo conclui que, embora o método seja computacionalmente mais intensivo do que simples métodos de filtro devido à necessidade de treinamento de redes neurais, o ganho em capturar interações não lineares de características justifica o custo. Os autores observam limitações quanto à intensidade computacional e sensibilidade aos hiperparâmetros, mas sugerem que a estrutura é um passo promissor em direção às aplicações de medicina de precisão, onde a compreensão da relevância das características é tão crítica quanto a acurácia da previsão.