Просмотр

Материал из MachineLearning.

Страница «Радиомика (Radiomics) и глубокое обучение»
У вас нет прав на выполнение этой операции по следующим причинам:
Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.
Вы можете просмотреть и скопировать исходный текст этой страницы:
{{TOCright}}

'''Радиомика''' (англ. ''radiomics'') — направление [[Медицинская информатика|медицинской информатики]] и [[Количественный анализ изображений|количественного анализа изображений]], в котором из [[Медицинское изображение|медицинских изображений]] извлекается большое число числовых характеристик формы, интенсивности, текстуры и пространственной неоднородности тканей. Полученные признаки объединяются с клиническими, лабораторными, патологическими или молекулярными данными и используются для построения [[Диагностическая модель|диагностических]], [[Прогностическая модель|прогностических]] и [[Предиктивная модель|предиктивных моделей]].<ref name="Lambin2012">{{статья |автор=Lambin P., Rios-Velazquez E., Leijenaar R. et al. |заглавие=Radiomics: Extracting More Information from Medical Images Using Advanced Feature Analysis |ссылка=https://doi.org/10.1016/j.ejca.2011.11.036 |издание=European Journal of Cancer |год=2012 |том=48 |номер=4 |страницы=441—446 |doi=10.1016/j.ejca.2011.11.036 |язык=en}}</ref><ref name="Kumar2012">{{статья |автор=Kumar V., Gu Y., Basu S. et al. |заглавие=Radiomics: The Process and the Challenges |ссылка=https://doi.org/10.1016/j.mri.2012.06.010 |издание=Magnetic Resonance Imaging |год=2012 |том=30 |номер=9 |страницы=1234—1248 |doi=10.1016/j.mri.2012.06.010 |язык=en}}</ref>

Радиомика связана с [[Машинное обучение|машинным обучением]], [[Глубокое обучение|глубоким обучением]], [[Компьютерное зрение|компьютерным зрением]], [[Обработка изображений|обработкой изображений]], [[Биостатистика|биостатистикой]], [[Медицинская визуализация|медицинской визуализацией]] и [[Персонализированная медицина|персонализированной медициной]]. Её основная предпосылка состоит в том, что медицинское изображение содержит количественную информацию о [[Фенотип|фенотипе]] ткани, которая может быть не полностью доступна визуальной оценке врача.

'''Глубокая радиомика''' (англ. ''deep radiomics'') использует признаки, автоматически извлекаемые [[Искусственная нейронная сеть|нейронными сетями]]. В литературе этот термин применяется неодинаково: иногда им обозначают извлечение глубоких признаков из заранее сегментированной области, иногда — объединение ручных и глубоких признаков, а иногда — всю [[Сквозное обучение|сквозную модель]] обработки медицинского изображения. Поэтому конкретный способ получения признаков должен быть описан явно.

Высокое значение метрики на внутренней тестовой выборке не является доказательством [[Клиническая применимость|клинической применимости]]. Для перехода от исследовательской модели к медицинскому инструменту необходимы [[Внешняя валидация|внешняя]] и желательно [[Проспективное исследование|проспективная валидация]], оценка [[Калибровка вероятностей|калибровки]], [[Клиническая полезность|клинической полезности]], безопасности, воспроизводимости и влияния на решения врача.

== История развития ==

Количественный анализ медицинских изображений существовал до появления термина «радиомика». В радиологии и ядерной медицине использовались:

* денситометрические показатели;
* [[Стандартизованная величина накопления|стандартизованная величина накопления]] радиофармпрепарата;
* размеры и объём поражения;
* показатели [[Перфузия|перфузии]];
* параметры [[Диффузия|диффузии]];
* анализ формы;
* [[Текстурный анализ|текстурный анализ]].

В начале 2010-х годов термин ''radiomics'' стал применяться к высокопроизводительному извлечению большого числа признаков из стандартных медицинских изображений.<ref name="Lambin2012"/><ref name="Kumar2012"/>

В 2014 году Аэртс и соавторы продемонстрировали количественный радиомический анализ компьютерных томограмм более тысячи пациентов с опухолями лёгкого и головы и шеи. В исследовании использовались 440 признаков интенсивности, формы и текстуры, а часть полученных характеристик была связана с клиническими исходами и [[Экспрессия генов|экспрессией генов]].<ref name="Aerts2014">{{статья |автор=Aerts H. J. W. L., Velazquez E. R., Leijenaar R. T. H. et al. |заглавие=Decoding Tumour Phenotype by Noninvasive Imaging Using a Quantitative Radiomics Approach |ссылка=https://doi.org/10.1038/ncomms5006 |издание=Nature Communications |год=2014 |том=5 |страницы=4006 |doi=10.1038/ncomms5006 |язык=en}}</ref>

Развитие направления сопровождалось появлением открытых программных средств. Пакет [[PyRadiomics]] реализует стандартизированное извлечение ручных радиомических признаков и интегрируется с платформой [[3D Slicer]].<ref name="PyRadiomics">{{статья |автор=van Griethuysen J. J. M., Fedorov A., Parmar C. et al. |заглавие=Computational Radiomics System to Decode the Radiographic Phenotype |ссылка=https://doi.org/10.1158/0008-5472.CAN-17-0339 |издание=Cancer Research |год=2017 |том=77 |номер=21 |страницы=e104—e107 |doi=10.1158/0008-5472.CAN-17-0339 |язык=en}}</ref>

Крупной проблемой оказались различия между определениями признаков и программными реализациями. [[Image Biomarker Standardisation Initiative|Image Biomarker Standardisation Initiative]] разработала унифицированную терминологию, математические определения, эталонные изображения и контрольные значения для проверки радиомического программного обеспечения.<ref name="IBSI2020">{{статья |автор=Zwanenburg A., Vallières M., Abdalah M. A. et al. |заглавие=The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping |ссылка=https://doi.org/10.1148/radiol.2020191145 |издание=Radiology |год=2020 |том=295 |номер=2 |страницы=328—338 |doi=10.1148/radiol.2020191145 |язык=en}}</ref>

Параллельно развивались [[Сверточная нейронная сеть|свёрточные нейронные сети]], [[Автоматическая сегментация|автоматическая сегментация]] и сквозное обучение медицинских моделей. Архитектура [[U-Net]] стала одной из основных моделей сегментации биомедицинских изображений,<ref name="UNet">{{статья |автор=Ronneberger O., Fischer P., Brox T. |заглавие=U-Net: Convolutional Networks for Biomedical Image Segmentation |ссылка=https://arxiv.org/abs/1505.04597 |издание=Medical Image Computing and Computer-Assisted Intervention |год=2015 |страницы=234—241 |язык=en}}</ref> а [[3D U-Net]] распространила этот подход на объёмные данные.<ref name="3DUNet">{{статья |автор=Çiçek Ö., Abdulkadir A., Lienkamp S. S., Brox T., Ronneberger O. |заглавие=3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation |ссылка=https://doi.org/10.1007/978-3-319-46723-8_49 |издание=Medical Image Computing and Computer-Assisted Intervention |год=2016 |страницы=424—432 |doi=10.1007/978-3-319-46723-8_49 |язык=en}}</ref>

== Виды медицинских изображений ==

=== Компьютерная томография ===

[[Компьютерная томография]] формирует трёхмерное изображение на основе ослабления [[Рентгеновское излучение|рентгеновского излучения]]. Интенсивности обычно выражаются в [[Единица Хаунсфилда|единицах Хаунсфилда]].

Преимущества КТ для радиомики:

* стандартизованная физическая шкала интенсивности;
* высокая [[Пространственное разрешение|пространственная разрешающая способность]];
* широкая клиническая доступность;
* возможность анализа лёгких, костей и опухолей;
* сравнительно короткое время исследования.

На признаки влияют:

* напряжение и ток рентгеновской трубки;
* доза;
* толщина среза;
* шаг реконструкции;
* [[Ядро реконструкции|ядро реконструкции]];
* контрастное усиление;
* фаза сканирования;
* производитель томографа;
* [[Итеративная реконструкция|итеративная реконструкция]].

=== Магнитно-резонансная томография ===

[[Магнитно-резонансная томография]] создаёт изображения с использованием магнитного поля и радиочастотных импульсов. Интенсивности МРТ обычно не имеют универсальной абсолютной шкалы и зависят от последовательности и параметров сканирования.

Радиомический анализ может выполняться для:

* [[T1-взвешенное изображение|T1-взвешенных изображений]];
* [[T2-взвешенное изображение|T2-взвешенных изображений]];
* [[FLAIR]];
* [[Диффузионно-взвешенная МРТ|диффузионно-взвешенных изображений]];
* карт [[Кажущийся коэффициент диффузии|коэффициента диффузии]];
* [[Динамическое контрастное усиление|динамического контрастного усиления]];
* [[Перфузионная МРТ|перфузионных изображений]];
* [[Функциональная МРТ|функциональной МРТ]].

Для МРТ особенно важны:

* [[Нормализация интенсивности|нормализация интенсивности]];
* коррекция неоднородности магнитного поля;
* [[Регистрация изображений|регистрация]] последовательностей;
* согласование пространственного разрешения;
* контроль параметров [[Импульсная последовательность МРТ|импульсной последовательности]].

=== Позитронно-эмиссионная томография ===

[[Позитронно-эмиссионная томография]] отражает распределение [[Радиофармацевтический препарат|радиофармпрепарата]]. Часто используется показатель стандартизованного накопления:

:: <tex>SUV=\frac{C_{\rm tissue}}{A_{\rm injected}/W},</tex>

где <tex>C_{\rm tissue}</tex> — измеренная активность в ткани, <tex>A_{\rm injected}</tex> — введённая активность, а <tex>W</tex> — нормирующая величина, например масса тела.

На ПЭТ-радиомику влияют:

* время после введения препарата;
* реконструкция;
* размер вокселя;
* сглаживание;
* коррекция движения;
* [[Эффект частичного объёма|эффект частичного объёма]];
* метод сегментации;
* низкое [[Отношение сигнал — шум|отношение сигнал — шум]].

=== Ультразвуковое исследование ===

[[Ультразвуковое исследование]] позволяет получать изображения в реальном времени без ионизирующего излучения. Радиомика применяется к [[B-режим|B-режиму]], [[Доплерография|доплеровским данным]] и [[Эластография|эластографии]].

Ограничения:

* зависимость от оператора;
* изменение изображения при угле датчика;
* акустические тени;
* различия между аппаратами;
* нестабильная геометрия;
* необходимость стандартизации усиления и глубины.

=== Рентгенография ===

[[Рентгенография]] представляет трёхмерные структуры в виде двумерной проекции. Радиомический анализ применяется, например, к изображениям грудной клетки, костей и [[Маммография|маммографии]].

Проекционная природа изображения создаёт наложение анатомических структур. Поэтому признаки могут отражать не только патологическую область, но и окружающие ткани, положение пациента и параметры экспозиции.

=== Цифровая патология ===

[[Цифровая патология]] анализирует оцифрованные [[Гистологический препарат|гистологические препараты]]. Она близка к радиомике по методам извлечения признаков, но относится к микроскопическим изображениям тканей, а не к традиционной радиологической визуализации.

Радиомика и цифровая патология могут объединяться в [[Мультимодальное обучение|мультимодальной модели]], но не являются синонимами.

== Классический радиомический процесс ==

Типичный процесс включает:

# формулировку клинической задачи;
# получение медицинских изображений;
# контроль протокола сканирования;
# реконструкцию;
# предварительную обработку;
# выделение [[Область интереса|области интереса]];
# извлечение признаков;
# оценку воспроизводимости;
# [[Отбор признаков|отбор признаков]];
# построение модели;
# [[Внутренняя валидация|внутреннюю валидацию]];
# внешнюю валидацию;
# оценку клинической полезности.

Порядок операций должен быть заранее задан. Изменение настроек после просмотра результатов увеличивает риск [[Оптимистическое смещение|оптимистической оценки качества]].

== Формулировка клинической задачи ==

До анализа необходимо определить:

* целевую популяцию;
* клинический момент применения модели;
* входные данные;
* прогнозируемый исход;
* [[Референсный стандарт|референсный стандарт]];
* временной горизонт;
* предполагаемое действие врача;
* конкурирующие клинические модели;
* допустимую задержку;
* цену ошибок.

Нельзя объединять без пояснения следующие типы моделей.

'''Диагностическая модель''' оценивает наличие состояния в момент исследования:

:: <tex>P(Y_{\rm current}=1\mid X).</tex>

'''Прогностическая модель''' оценивает будущий исход:

:: <tex>P(Y_{t+\Delta}=1\mid X_t).</tex>

'''Модель ответа на лечение''' прогнозирует исход после конкретной терапии:

:: <tex>P(Y=1\mid X,T=t).</tex>

'''Предиктивный биомаркер лечения''' должен отражать различие эффекта между вариантами терапии:

:: <tex>\tau(X)={\bf E}[Y(1)-Y(0)\mid X].</tex>

Высокая связь признака с исходом в одной лечебной группе не доказывает, что признак предсказывает сравнительный эффект лечения.

== Получение и реконструкция изображений ==

Радиомические признаки могут быть чувствительны к параметрам сканирования. Для каждого исследования необходимо документировать:

* модель сканера;
* производителя;
* протокол;
* пространственное разрешение;
* толщину среза;
* контрастное усиление;
* параметры реконструкции;
* фильтры;
* формат хранения;
* время между исследованием и лечением.

Стандартизация протокола уменьшает техническую вариабельность, но в ретроспективных многоцентровых данных полная стандартизация часто невозможна.

== Предварительная обработка ==

=== Ресэмплинг вокселей ===

Пусть исходный размер [[Воксель|вокселя]] равен:

:: <tex>(\Delta x,\Delta y,\Delta z).</tex>

После [[Интерполяция|интерполяции]] изображение приводится к целевой решётке:

:: <tex>(\Delta x',\Delta y',\Delta z').</tex>

Ресэмплинг позволяет сравнивать пространственные признаки между исследованиями, но создаёт новые значения интенсивности и может сглаживать или усиливать текстуру.

Часто применяются:

* [[Линейная интерполяция|линейная интерполяция]];
* [[B-сплайн|B-сплайны]];
* [[Метод ближайшего соседа|ближайший сосед]];
* оконная [[Sinc-интерполяция|sinc-интерполяция]].

Для масок сегментации обычно используют ближайшего соседа или отдельную процедуру пороговой реконструкции, чтобы не создавать несуществующие классы.

=== Нормализация интенсивности ===

Для МРТ может применяться стандартизация:

:: <tex>I'=\frac{I-\mu}{\sigma},</tex>

где <tex>\mu</tex> и <tex>\sigma</tex> вычисляются в выбранной области.

Также используются:

* нормализация по процентилям;
* [[Сопоставление гистограмм|сопоставление гистограмм]];
* деление на референсную ткань;
* нормализация по медиане;
* [[Z-преобразование|Z-преобразование]] внутри маски.

Нормализация меняет статистику интенсивностей и должна выполняться одинаково на обучающих и новых данных.

=== Дискретизация интенсивностей ===

Текстурные матрицы требуют конечного числа уровней серого.

При фиксированной ширине интервала:

:: <tex>g(x)=1+\left\lfloor\frac{I(x)-I_{\min}}{w}\right\rfloor,</tex>

где <tex>w</tex> — ширина интервала.

При фиксированном числе уровней:

:: <tex>g(x)=1+\left\lfloor N_g\frac{I(x)-I_{\min}}{I_{\max}-I_{\min}}\right\rfloor.</tex>

Фиксированная ширина лучше сохраняет смысл абсолютной шкалы, например для КТ. Фиксированное число уровней делает диапазон одинаковым, но границы интервалов становятся зависимыми от конкретного изображения или области.

Параметр дискретизации влияет на большинство текстурных признаков и должен сообщаться в публикации.

=== Фильтрация ===

Перед извлечением признаков могут применяться:

* [[Гауссово сглаживание|гауссово сглаживание]];
* [[Лапласиан гауссиана|лапласиан гауссиана]];
* [[Вейвлет-преобразование|вейвлет-преобразование]];
* [[Локальный бинарный шаблон|локальные бинарные шаблоны]];
* [[Градиентный фильтр|градиентные фильтры]];
* [[Фильтр Габора|фильтры Габора]].

Фильтр создаёт новое производное изображение:

:: <tex>I_f=K*I,</tex>

где <tex>K</tex> — ядро фильтра, а <tex>*</tex> — операция [[Свёртка|свёртки]].

Признаки после фильтрации нельзя считать эквивалентными признакам исходного изображения. Тип фильтра и все параметры должны быть зафиксированы.

=== Коррекция артефактов ===

В зависимости от модальности применяются:

* [[Коррекция движения|коррекция движения]];
* [[Подавление шума|подавление шума]];
* коррекция поля чувствительности;
* регистрация;
* [[Артефакт от металла|коррекция металлических артефактов]];
* коррекция эффекта частичного объёма.

Предварительная обработка может улучшать стабильность, но также удалять диагностически значимую информацию.

== Сегментация области интереса ==

[[Сегментация изображений|Сегментация]] определяет множество вокселей:

:: <tex>\Omega=\{x:M(x)=1\},</tex>

где <tex>M</tex> — [[Бинарная маска|бинарная маска]].

Областью анализа может быть:

* опухоль;
* орган;
* отдельный компонент опухоли;
* [[Перитуморальная зона|перитуморальная зона]];
* сосуд;
* патологический очаг;
* весь объём изображения.

=== Ручная сегментация ===

Ручная разметка выполняется специалистом и часто используется как референсный стандарт.

Ограничения:

* высокая стоимость;
* [[Межэкспертная вариабельность|межэкспертная вариабельность]];
* [[Внутриэкспертная вариабельность|внутриэкспертная вариабельность]];
* зависимость от окна визуализации;
* сложность разметки нечётких границ.

=== Полуавтоматическая сегментация ===

Алгоритм формирует первоначальную маску, которую корректирует врач. Такой подход может уменьшать время и сохранять клинический контроль.

=== Автоматическая сегментация ===

Глубокая модель предсказывает маску:

:: <tex>\hat M=f_\theta(I).</tex>

Автоматизация повышает масштабируемость, но ошибки маски могут систематически изменять признаки. Поэтому качество сегментации и влияние ошибок на итоговую модель необходимо проверять отдельно.

=== Устойчивость к сегментации ===

Для оценки вариабельности признаки извлекаются из нескольких масок. Может использоваться [[Внутриклассовый коэффициент корреляции|внутриклассовый коэффициент корреляции]]:

:: <tex>ICC=\frac{\sigma_{\rm between}^2}{\sigma_{\rm between}^2+\sigma_{\rm within}^2}.</tex>

Высокий [[Коэффициент Дайса|Dice]] между масками не гарантирует стабильности всех радиомических признаков. Небольшое изменение границы может мало влиять на объём пересечения, но существенно изменять текстуру или форму.

== Ручные радиомические признаки ==

Ручные, или ''hand-crafted'', признаки рассчитываются по заранее заданным формулам. Их преимущества:

* фиксированное математическое определение;
* сравнительно низкие требования к данным;
* возможность интерпретации;
* возможность вычисления без обучения нейронной сети.

Ограничения:

* чувствительность к настройкам;
* коррелированность;
* ограниченная выразительность;
* зависимость от сегментации;
* отсутствие гарантированной связи с биологией.

== Признаки формы ==

Признаки формы вычисляются по маске и обычно не зависят от интенсивности изображения.

=== Объём ===

Для <tex>N_v</tex> вокселей:

:: <tex>V=N_v\Delta x\Delta y\Delta z.</tex>

При использовании поверхностной сетки объём может вычисляться геометрически.

=== Площадь поверхности ===

Площадь поверхности обозначается:

:: <tex>A={\rm area}(\partial\Omega).</tex>

Она чувствительна к пространственному разрешению, алгоритму построения поверхности и неровности границы.

=== Сферичность ===

Одна из формул сферичности:

:: <tex>\Phi=\frac{\pi^{1/3}(6V)^{2/3}}{A}.</tex>

Для идеальной сферы <tex>\Phi=1</tex>; для менее компактных форм значение уменьшается.

=== Компактность ===

Пример безразмерного показателя:

:: <tex>C=\frac{36\pi V^2}{A^3}.</tex>

Определения компактности различаются, поэтому название без формулы недостаточно для воспроизводимости.

=== Главные оси ===

По координатам вокселей строится [[Ковариационная матрица|ковариационная матрица]]:

:: <tex>\Sigma=\frac{1}{N_v}\sum_{x\in\Omega}(x-\bar x)(x-\bar x)^{\mathsf T}.</tex>

Её [[Собственное значение|собственные значения]] характеризуют протяжённость области вдоль [[Главные оси|главных осей]] и используются для вычисления вытянутости и плоскостности.

=== Ограничения признаков формы ===

* сильная зависимость от сегментации;
* зависимость от размера вокселя;
* нестабильность для малых объектов;
* различия между 2D- и 3D-определениями;
* влияние сглаживания поверхности.

== Статистики первого порядка ==

[[Статистика первого порядка|Признаки первого порядка]] используют распределение интенсивности без учёта пространственного положения вокселей.

Пусть <tex>N</tex> — число вокселей, а <tex>x_k</tex> — интенсивность.

=== Среднее ===

:: <tex>\mu=\frac{1}{N}\sum_{k=1}^{N}x_k.</tex>

=== Дисперсия ===

:: <tex>\sigma^2=\frac{1}{N}\sum_{k=1}^{N}(x_k-\mu)^2.</tex>

=== Асимметрия ===

:: <tex>{\rm Skewness}=\frac{1}{N\sigma^3}\sum_{k=1}^{N}(x_k-\mu)^3.</tex>

=== Эксцесс ===

:: <tex>{\rm Kurtosis}=\frac{1}{N\sigma^4}\sum_{k=1}^{N}(x_k-\mu)^4.</tex>

Некоторые реализации вычитают из эксцесса число <tex>3</tex>, другие сообщают нецентрированный показатель. Это различие должно быть указано.

=== Энтропия ===

Пусть <tex>p_i</tex> — доля вокселей в уровне <tex>i</tex>. Тогда:

:: <tex>H=-\sum_{i=1}^{N_g}p_i\log p_i.</tex>

[[Энтропия|Энтропия]] зависит от дискретизации. Она измеряет неопределённость распределения уровней, но не пространственную неоднородность.

=== Энергия ===

:: <tex>E=\sum_{i=1}^{N_g}p_i^2.</tex>

Высокая энергия соответствует концентрации распределения в небольшом числе уровней.

=== Процентили ===

К признакам первого порядка относятся [[Медиана|медиана]], минимум, максимум, [[Межквартильный размах|межквартильный диапазон]] и выбранные [[Процентиль|процентили]].

Они могут быть устойчивее крайних значений, но всё равно зависят от шумов, нормализации и маски.

== Матрица совместной встречаемости уровней серого ==

[[Матрица совместной встречаемости уровней серого]] — GLCM — описывает частоту появления пары уровней серого на заданном пространственном смещении.

Для смещения <tex>\delta</tex> ненормированная матрица:

:: <tex>C_{\delta}(i,j)=\#\{(x,x+\delta):g(x)=i,\ g(x+\delta)=j\}.</tex>

Нормированная матрица:

:: <tex>P_{\delta}(i,j)=\frac{C_{\delta}(i,j)}{\sum_{a,b}C_{\delta}(a,b)}.</tex>

Матрицы могут рассчитываться отдельно для разных направлений или объединяться.

=== Контраст ===

:: <tex>{\rm Contrast}=\sum_{i,j}(i-j)^2P(i,j).</tex>

Контраст увеличивается при частом соседстве сильно различающихся уровней.

=== Однородность ===

:: <tex>{\rm Homogeneity}=\sum_{i,j}\frac{P(i,j)}{1+|i-j|}.</tex>

Высокое значение соответствует концентрации вероятности около главной диагонали.

=== Энергия GLCM ===

:: <tex>{\rm Energy}=\sum_{i,j}P(i,j)^2.</tex>

=== Корреляция ===

:: <tex>{\rm Correlation}= \frac{\sum_{i,j}(i-\mu_i)(j-\mu_j)P(i,j)} {\sigma_i\sigma_j}.</tex>

При нулевой дисперсии уровней формула требует специальной обработки.

=== Ограничения GLCM ===

* чувствительность к числу уровней;
* зависимость от направления и расстояния;
* нестабильность в малых областях;
* различия между симметричной и несимметричной матрицей;
* различия между 2D- и 3D-агрегацией;
* коррелированность признаков.

== Матрица длин серий ==

[[Матрица длин серий уровней серого]] — GLRLM — подсчитывает последовательности соседних вокселей одного уровня вдоль выбранного направления.

Пусть:

:: <tex>R(i,j)</tex>

обозначает число серий уровня <tex>i</tex> длины <tex>j</tex>, а

:: <tex>N_r=\sum_{i,j}R(i,j).</tex>

=== Преобладание коротких серий ===

:: <tex>{\rm SRE}=\frac{1}{N_r}\sum_{i,j}\frac{R(i,j)}{j^2}.</tex>

=== Преобладание длинных серий ===

:: <tex>{\rm LRE}=\frac{1}{N_r}\sum_{i,j}j^2R(i,j).</tex>

=== Неоднородность уровней ===

:: <tex>{\rm GLNU}=\frac{1}{N_r}\sum_i\left(\sum_jR(i,j)\right)^2.</tex>

GLRLM зависит от направления. Объединение направлений должно выполняться одинаковым способом для всех пациентов.

== Матрица зон одинаковой интенсивности ==

[[Матрица зон одинаковой интенсивности]] — GLSZM — описывает связные зоны одного уровня независимо от направления.

Пусть:

:: <tex>Z(i,j)</tex>

— число зон уровня <tex>i</tex> размера <tex>j</tex>, а

:: <tex>N_z=\sum_{i,j}Z(i,j).</tex>

=== Преобладание малых зон ===

:: <tex>{\rm SZE}=\frac{1}{N_z}\sum_{i,j}\frac{Z(i,j)}{j^2}.</tex>

=== Преобладание больших зон ===

:: <tex>{\rm LZE}=\frac{1}{N_z}\sum_{i,j}j^2Z(i,j).</tex>

=== Процент зон ===

:: <tex>{\rm ZP}=\frac{N_z}{N_v}.</tex>

GLSZM может быть особенно чувствительна к разрешению и способу определения [[Связность|связности]] в 3D.

== Матрица различий соседних уровней ==

[[Матрица различий соседних уровней серого]] — NGTDM — сравнивает интенсивность каждого вокселя со средней интенсивностью его соседства.

Для уровня <tex>i</tex>:

:: <tex>s_i=\sum_{x:g(x)=i}|i-\bar g_x|,</tex>

где <tex>\bar g_x</tex> — среднее значение уровней в соседстве точки <tex>x</tex>.

Один из признаков — грубость:

:: <tex>{\rm Coarseness}= \frac{1}{\sum_i p_i s_i+\varepsilon},</tex>

где <tex>\varepsilon</tex> предотвращает деление на ноль.

Другие признаки NGTDM включают контраст, занятость, сложность и силу.

Интерпретация зависит от радиуса соседства и наличия достаточного числа вокселей каждого уровня.

== Матрица зависимостей уровней серого ==

[[Матрица зависимостей уровней серого]] — GLDM — определяет для каждого центрального вокселя число соседей, интенсивность которых отличается не более чем на заданный порог.

Пусть:

:: <tex>D(i,j)</tex>

— число зависимостей уровня <tex>i</tex> размера <tex>j</tex>, а

:: <tex>N_d=\sum_{i,j}D(i,j).</tex>

=== Преобладание малых зависимостей ===

:: <tex>{\rm SDE}=\frac{1}{N_d}\sum_{i,j}\frac{D(i,j)}{j^2}.</tex>

=== Преобладание больших зависимостей ===

:: <tex>{\rm LDE}=\frac{1}{N_d}\sum_{i,j}j^2D(i,j).</tex>

GLDM зависит от порога сходства, радиуса соседства, дискретизации и определения связности.

== Воспроизводимость признаков ==

Радиомический признак не является автоматически [[Биомаркер|биомаркером]]. До моделирования необходимо проверить:

* устойчивость к [[Повторное сканирование|повторному сканированию]];
* устойчивость к повторной сегментации;
* устойчивость к реконструкции;
* устойчивость к интерполяции;
* межпрограммную воспроизводимость;
* стабильность между центрами.

[[Коэффициент вариации]]:

:: <tex>CV=\frac{\sigma}{|\mu|}</tex>

может применяться для положительных признаков, но плохо интерпретируется при среднем около нуля.

Для двух измерений используется [[Коэффициент конкордации|коэффициент конкордации]] или ICC. Порог стабильности не должен выбираться исключительно по результату итоговой модели.

IBSI стандартизует вычислительные определения, но не гарантирует биологическую стабильность признака в конкретном клиническом протоколе.<ref name="IBSI2020"/>

== Отбор признаков ==

Пусть исходное число признаков равно <tex>p</tex>, а число пациентов — <tex>n</tex>. В радиомике часто выполняется:

:: <tex>p\gg n.</tex>

Эта ситуация увеличивает риск [[Переобучение|переобучения]] и нестабильного отбора.

=== Фильтрация по воспроизводимости ===

Удаляются признаки с низкой устойчивостью при повторном сканировании или сегментации.

=== Удаление низкой вариативности ===

Признак может исключаться, если:

:: <tex>{\rm Var}(X_j)<\varepsilon.</tex>

=== Удаление коррелированных признаков ===

При высокой корреляции:

:: <tex>|{\rm corr}(X_i,X_j)|>\rho_0</tex>

из пары оставляется один признак.

Такой подход зависит от выбранной [[Коэффициент корреляции|меры корреляции]] и не учитывает условную прогностическую информацию.

=== Одномерный отбор ===

Каждый признак тестируется отдельно:

:: <tex>H_0:X_j\perp Y.</tex>

Недостатки:

* игнорирование взаимодействий;
* [[Множественная проверка гипотез|множественная проверка гипотез]];
* нестабильность при малом <tex>n</tex>;
* риск использования всей выборки до кросс-валидации.

=== LASSO ===

Для линейной модели:

:: <tex>\hat\beta= \mathop{\rm argmin}_{\beta} \left[ {\cal L}(\beta)+\lambda\sum_{j=1}^{p}|\beta_j| \right].</tex>

[[LASSO]] выполняет [[Регуляризация|регуляризацию]] и может занулять коэффициенты.

При сильно коррелированных признаках выбранный представитель группы может меняться между выборками.

=== Elastic Net ===

:: <tex>\hat\beta= \mathop{\rm argmin}_{\beta} \left[ {\cal L}(\beta)+ \lambda\left( \alpha\|\beta\|_1+ \frac{1-\alpha}{2}\|\beta\|_2^2 \right) \right].</tex>

[[Elastic Net]] обычно устойчивее LASSO при группах коррелированных переменных.

=== Анализ главных компонент ===

[[Метод главных компонент]] строит проекцию:

:: <tex>Z=XW_k,</tex>

где столбцы <tex>W_k</tex> соответствуют направлениям максимальной дисперсии.

PCA не использует целевую переменную и не гарантирует сохранения прогностически значимой информации.

=== Важное правило валидации ===

Все операции отбора должны выполняться только на обучающей части данных:

:: <tex>{\cal T}_{\rm select}={\cal T}(X_{\rm train},Y_{\rm train}).</tex>

Применение отбора ко всей выборке до разбиения является [[Утечка данных|утечкой данных]].

== Классические прогностические модели ==

После отбора признаков применяются:

* [[Логистическая регрессия]];
* [[Метод опорных векторов]];
* [[Случайный лес]];
* [[Градиентный бустинг]];
* [[k ближайших соседей]];
* [[Наивный байесовский классификатор]];
* [[Регрессия Кокса]];
* [[Нейронная сеть|нейронные сети]].

Сложная модель не обязательно превосходит регуляризованную регрессию, особенно при малой выборке.

== Hand-crafted radiomics ==

'''Классическая радиомика''' использует признаки, определённые заранее:

:: <tex>z=\phi(I,M;\eta),</tex>

где

* <tex>I</tex> — изображение;
* <tex>M</tex> — маска;
* <tex>\eta</tex> — параметры ресэмплинга, дискретизации и фильтрации;
* <tex>z</tex> — вектор признаков.

Прогноз:

:: <tex>\hat y=f_\theta(z,c),</tex>

где <tex>c</tex> — клинические переменные.

Преимущества:

* работа на небольших выборках;
* воспроизводимые математические признаки;
* сравнительно низкая вычислительная стоимость;
* возможность анализировать вклад отдельных характеристик.

Ограничения:

* ручное проектирование;
* ограничение заданными формулами;
* чувствительность к конвейеру;
* большое число коррелированных признаков;
* потеря информации при сведении изображения к вектору.

== Глубокая радиомика ==

В глубокой радиомике признаки извлекаются нейронной сетью:

:: <tex>z=g_\theta(I,M).</tex>

Далее может обучаться отдельный классификатор:

:: <tex>\hat y=h_\psi(z).</tex>

Признаки могут извлекаться:

* из предварительно обученной сети;
* из сети, обученной на медицинских данных;
* из промежуточного слоя сегментационной модели;
* из автоэнкодера;
* из самоконтролируемой модели;
* из [[Ансамбль моделей|ансамбля сетей]].

Глубокий признак не имеет фиксированной интерпретации вне конкретной сети, слоя, нормализации и версии параметров.

== Сквозные модели ==

В [[Сквозное обучение|сквозной модели]] прогноз строится непосредственно из изображения:

:: <tex>\hat y=f_\theta(I).</tex>

Сегментация может отсутствовать или быть внутренней частью архитектуры.

Преимущества:

* совместная оптимизация признаков и прогноза;
* использование полной пространственной информации;
* возможность автоматического обнаружения сложных закономерностей;
* отсутствие отдельного ручного отбора признаков.

Ограничения:

* высокая потребность в данных;
* сложная интерпретируемость;
* риск изучения посторонних признаков;
* чувствительность к [[Сдвиг распределения|сдвигу распределения]];
* высокая вычислительная стоимость;
* трудность воспроизведения без кода и параметров.

== Радиогеномика ==

'''[[Радиогеномика]]''' связывает особенности медицинского изображения с [[Геномика|геномными]], [[Транскриптомика|транскриптомными]], [[Эпигенетика|эпигенетическими]] или молекулярными характеристиками.

Формально исследуется зависимость:

:: <tex>P(G\mid Z_{\rm image}),</tex>

где <tex>G</tex> — молекулярная характеристика, а <tex>Z_{\rm image}</tex> — радиомические признаки.

Примеры целей:

* [[Мутационный статус|мутационный статус]];
* экспрессия генов;
* [[Молекулярный подтип|молекулярный подтип]];
* уровень пролиферации;
* [[Рецепторный статус|рецепторный статус]];
* иммунный фенотип.

Наблюдаемая ассоциация:

:: <tex>{\rm corr}(Z_j,G_k)\neq0</tex>

не доказывает причинную связь. Корреляция может быть вызвана:

* размером опухоли;
* стадией;
* особенностями выборки;
* лечебным отбором;
* техническим протоколом;
* множественной проверкой гипотез;
* [[Скрытая переменная|скрытым фактором]].

Для причинной интерпретации требуется явная [[Причинно-следственная модель|причинная модель]] и дополнительные предпосылки.

== Глубокое обучение в радиомике ==

=== Сверточные нейронные сети ===

[[Сверточная нейронная сеть]] вычисляет карты признаков:

:: <tex>H^{(l+1)}=\sigma(K^{(l)}*H^{(l)}+b^{(l)}).</tex>

Локальные ядра позволяют обнаруживать границы, текстуры, формы и более сложные структуры.

В радиомике CNN применяются для:

* классификации;
* сегментации;
* [[Обнаружение объектов|обнаружения очагов]];
* извлечения глубоких признаков;
* прогнозирования исходов;
* оценки ответа на лечение.

=== Двумерные CNN ===

2D-модель обрабатывает отдельные срезы:

:: <tex>\hat y_s=f_\theta(I_s).</tex>

Предсказания срезов могут объединяться:

:: <tex>\hat y={\rm Aggregate}(\hat y_1,\ldots,\hat y_S).</tex>

Преимущества:

* меньшая потребность в памяти;
* возможность использовать веса, обученные на естественных изображениях;
* больше отдельных обучающих примеров.

Ограничения:

* потеря межсрезовой информации;
* риск утечки при разделении срезов одного пациента;
* необходимость объединения предсказаний.

=== Трёхмерные CNN ===

[[Трёхмерная свёрточная нейронная сеть|3D-свёртка]] обрабатывает объём:

:: <tex>H^{(l+1)}=\sigma(K^{(l)}*_{\rm 3D}H^{(l)}+b^{(l)}).</tex>

Преимущества:

* использование трёхмерной анатомии;
* естественная обработка КТ, МРТ и ПЭТ;
* сохранение пространственного контекста.

Ограничения:

* высокая память;
* малый размер пакета;
* больше параметров;
* необходимость согласованного разрешения;
* высокая стоимость разметки.

=== Автоэнкодеры ===

[[Автоэнкодер]] состоит из [[Кодировщик|кодировщика]] и [[Декодировщик|декодировщика]]:

:: <tex>z=g_\theta(I),</tex>

:: <tex>\hat I=d_\psi(z).</tex>

Функция потерь:

:: <tex>{\cal L}_{\rm rec}=\|I-\hat I\|^2.</tex>

[[Латентное пространство|Латентное представление]] <tex>z</tex> используется как глубокий радиомический вектор.

Реконструкция изображения не гарантирует, что латентные признаки будут оптимальны для клинической задачи.

=== Трансформеры ===

[[Трансформер]] представляет изображение как последовательность [[Патч изображения|патчей]]:

:: <tex>Z_0=[x_{\rm cls};x_1E;\ldots;x_NE]+E_{\rm pos}.</tex>

[[Механизм внимания]]:

:: <tex>{\rm Attention}(Q,K,V)= {\rm softmax}\left(\frac{QK^{\mathsf T}}{\sqrt d}\right)V.</tex>

Преимущества:

* моделирование дальних зависимостей;
* гибкое объединение модальностей;
* возможность анализа больших областей.

Ограничения:

* высокая вычислительная стоимость;
* потребность в больших выборках или предварительном обучении;
* чувствительность к размеру патча;
* отсутствие гарантированной медицинской интерпретации внимания.

=== Модели внимания ===

В CNN внимание может назначать вес областям или каналам:

:: <tex>z=\sum_i\alpha_i h_i,\qquad \sum_i\alpha_i=1.</tex>

[[Карта внимания|Карта внимания]] не является доказательством причинности и не обязательно совпадает с клинически значимой областью.

=== Графовые нейронные сети ===

[[Графовая нейронная сеть]] применяется, когда данные представлены графом:

* узлы — очаги;
* узлы — анатомические области;
* узлы — клетки или участки ткани;
* рёбра — пространственная, сосудистая или функциональная связь.

Обновление узла:

:: <tex>h_v^{(l+1)}= \phi\left( h_v^{(l)}, \mathop{\rm AGG}_{u\in{\cal N}(v)} \psi(h_v^{(l)},h_u^{(l)},e_{uv}) \right).</tex>

Графовые модели удобны при множественных поражениях и объединении радиологии с патологией или молекулярными сетями.

=== Обучение с переносом ===

[[Обучение с переносом]] использует параметры предварительно обученной модели:

:: <tex>\theta_0\leftarrow\theta_{\rm source}.</tex>

Затем выполняется [[Тонкая настройка|дообучение]]:

:: <tex>\theta^*= \mathop{\rm argmin}_{\theta} {\cal L}_{\rm target}(\theta).</tex>

Перенос с естественных изображений может быть полезен для ранних визуальных признаков, но различие доменов ограничивает применимость.

=== Самоконтролируемое обучение ===

[[Самоконтролируемое обучение]] создаёт обучающий сигнал из самих изображений.

Контрастивная функция потерь:

:: <tex>{\cal L}_i= -\log \frac{\exp({\rm sim}(z_i,z_i^+)/\tau)} {\sum_j\exp({\rm sim}(z_i,z_j)/\tau)}.</tex>

Преимущества:

* использование неразмеченных данных;
* уменьшение зависимости от клинических меток;
* предварительное обучение на локальной популяции.

Ограничения:

* результат зависит от [[Аугментация данных|преобразований]];
* признаки могут сохранять технические различия между центрами;
* высокая вычислительная стоимость;
* необходима последующая клиническая валидация.

== Автоматическая сегментация ==

Для бинарной сегментации модель выдаёт вероятность:

:: <tex>p_x=P(M(x)=1\mid I).</tex>

Бинарная маска:

:: <tex>\hat M(x)={\bf 1}[p_x\geq\tau].</tex>

Часто используется комбинированная функция потерь:

:: <tex>{\cal L}= {\cal L}_{\rm CE}+ \lambda{\cal L}_{\rm Dice}.</tex>

[[Dice loss|Dice-потеря]]:

:: <tex>{\cal L}_{\rm Dice}= 1- \frac{2\sum_xp_xy_x+\varepsilon} {\sum_xp_x+\sum_xy_x+\varepsilon}.</tex>

Автоматическая сегментация может уменьшать трудозатраты, но не устраняет необходимость контроля качества. Ошибка сегментации способна переходить в ошибку признаков и итогового прогноза.

== Мультимодальное объединение ==

Пусть:

* <tex>z_r</tex> — ручные радиомические признаки;
* <tex>z_d</tex> — глубокие признаки;
* <tex>z_c</tex> — клинические данные;
* <tex>z_l</tex> — лабораторные показатели;
* <tex>z_g</tex> — геномные признаки.

=== Раннее объединение ===

:: <tex>z=[z_r;z_d;z_c;z_l;z_g].</tex>

После [[Конкатенация признаков|конкатенации]] обучается одна модель.

Преимущество — простота. Ограничения — различия масштабов, пропуски и высокая размерность.

=== Промежуточное объединение ===

Каждая модальность кодируется отдельно:

:: <tex>h_m=g_m(z_m).</tex>

Общее представление:

:: <tex>h={\rm Fuse}(h_1,\ldots,h_M).</tex>

Это позволяет моделировать сложные взаимодействия, но увеличивает число параметров.

=== Позднее объединение ===

Отдельные модели формируют прогнозы:

:: <tex>\hat p= \sum_{m=1}^{M}w_m\hat p_m,\qquad \sum_mw_m=1.</tex>

Позднее объединение устойчивее к отсутствию части модальностей, но может слабее учитывать взаимодействия.

== Формальные задачи ==

=== Бинарная классификация ===

Пусть:

:: <tex>Y\in\{0,1\}.</tex>

Модель:

:: <tex>\hat p=f_\theta(X).</tex>

[[Перекрёстная энтропия]]:

:: <tex>{\cal L}= -\sum_i \left[ y_i\log\hat p_i+ (1-y_i)\log(1-\hat p_i) \right].</tex>

=== Многоклассовая классификация ===

:: <tex>Y\in\{1,\ldots,K\}.</tex>

Вероятности:

:: <tex>\hat p_k= \frac{\exp z_k} {\sum_{j=1}^{K}\exp z_j}.</tex>

Функция потерь:

:: <tex>{\cal L}= -\sum_i\sum_{k=1}^{K} y_{ik}\log\hat p_{ik}.</tex>

=== Регрессия ===

Для непрерывного исхода:

:: <tex>\hat y=f_\theta(X).</tex>

[[Средняя квадратичная ошибка]]:

:: <tex>{\rm MSE}= \frac{1}{n}\sum_i(y_i-\hat y_i)^2.</tex>

[[Средняя абсолютная ошибка]]:

:: <tex>{\rm MAE}= \frac{1}{n}\sum_i|y_i-\hat y_i|.</tex>

=== Анализ времени до события ===

Пусть <tex>T_i</tex> — время события, а <tex>\delta_i</tex> — индикатор наблюдаемого события.

В [[Модель пропорциональных рисков Кокса|модели Кокса]]:

:: <tex>h(t\mid X)=h_0(t)\exp(\beta^{\mathsf T}X).</tex>

[[Частичное правдоподобие]]:

:: <tex>L(\beta)= \prod_{i:\delta_i=1} \frac{\exp(\beta^{\mathsf T}X_i)} {\sum_{j\in R_i}\exp(\beta^{\mathsf T}X_j)}.</tex>

Глубокая модель заменяет линейный предиктор:

:: <tex>\beta^{\mathsf T}X\longrightarrow f_\theta(X).</tex>

Необходимо учитывать [[Цензурирование|цензурирование]] и проверять [[Пропорциональность рисков|предположение пропорциональности рисков]], если используется модель Кокса.

=== Сегментация ===

Задача состоит в прогнозировании метки каждого вокселя:

:: <tex>\hat M(x)=f_\theta(I)_x.</tex>

Для многоклассовой сегментации:

:: <tex>\hat M(x)\in\{0,\ldots,K\}.</tex>

=== Прогнозирование риска ===

Для заданного горизонта <tex>t</tex> модель оценивает:

:: <tex>R(t\mid X)=P(T\leq t\mid X).</tex>

Оценка риска должна быть калибрована для конкретной популяции и временного горизонта.

== Метрики классификации ==

Пусть:

* <tex>TP</tex> — истинноположительные решения;
* <tex>TN</tex> — истинноотрицательные;
* <tex>FP</tex> — ложноположительные;
* <tex>FN</tex> — ложноотрицательные.

=== Чувствительность ===

:: <tex>{\rm Sensitivity}= \frac{TP}{TP+FN}.</tex>

=== Специфичность ===

:: <tex>{\rm Specificity}= \frac{TN}{TN+FP}.</tex>

=== Положительная прогностическая ценность ===

:: <tex>{\rm PPV}= \frac{TP}{TP+FP}.</tex>

[[Положительная прогностическая ценность|PPV]] зависит от [[Распространённость заболевания|распространённости]] состояния в популяции.

=== ROC-AUC ===

[[ROC-AUC]] равна вероятности того, что случайный положительный объект получит более высокую оценку, чем случайный отрицательный:

:: <tex>{\rm AUC}= P(S^+>S^-).</tex>

AUC не определяет клинический порог и может быть высокой при неудовлетворительной калибровке.

=== PR-AUC ===

[[PR-кривая]] отражает связь между полнотой и точностью положительных решений. PR-AUC особенно информативна при редком положительном классе, но зависит от распространённости.

== Метрики сегментации ==

=== Коэффициент Дайса ===

:: <tex>{\rm Dice}= \frac{2|M\cap\hat M|} {|M|+|\hat M|}.</tex>

Dice зависит от размера объекта и может быть высоким при значимой ошибке границы крупного органа.

=== Индекс Жаккара ===

:: <tex>{\rm IoU}= \frac{|M\cap\hat M|} {|M\cup\hat M|}.</tex>

Связь с Dice:

:: <tex>{\rm Dice}= \frac{2{\rm IoU}}{1+{\rm IoU}}.</tex>

=== Расстояние Хаусдорфа ===

:: <tex>H(A,B)= \max \left\{ \sup_{a\in A}\inf_{b\in B}d(a,b), \sup_{b\in B}\inf_{a\in A}d(a,b) \right\}.</tex>

Обычно используют устойчивый процентиль, например 95-й, поскольку максимальное [[Расстояние Хаусдорфа|расстояние Хаусдорфа]] чувствительно к единичным выбросам.

== Метрики выживаемости ==

=== Индекс конкордантности ===

[[Индекс конкордантности]] оценивает согласованность порядка риска и времени события:

:: <tex>C= P(r_i>r_j\mid T_i<T_j).</tex>

Необходимо корректно учитывать цензурированные и сравнимые пары.

=== Времязависимый AUC ===

:: <tex>{\rm AUC}(t)</tex>

оценивает дискриминацию к определённому временному горизонту.

=== Интегрированный Brier score ===

:: <tex>{\rm IBS}= \frac{1}{\tau} \int_0^\tau {\rm BS}(t)\,dt.</tex>

При цензурировании используются [[Обратное взвешивание вероятности|веса обратной вероятности наблюдения]].

== Калибровка ==

Калибровка показывает соответствие прогнозируемого и наблюдаемого риска.

Идеальное условие:

:: <tex>P(Y=1\mid\hat p=p)=p.</tex>

Для [[Логистическая перекалибровка|логистической перекалибровки]]:

:: <tex>{\rm logit}\,P(Y=1)= \alpha+\beta\,{\rm logit}(\hat p).</tex>

Идеальные значения:

:: <tex>\alpha=0,\qquad\beta=1.</tex>

Калибровка должна оцениваться на независимых данных, а не только на обучающей выборке.

== Клиническая полезность ==

Высокая дискриминация не гарантирует улучшения клинических решений.

В [[Анализ кривых решений|decision curve analysis]] чистая польза при пороге <tex>p_t</tex> может быть записана как:

:: <tex>{\rm Net\ Benefit}= \frac{TP}{N} - \frac{FP}{N} \frac{p_t}{1-p_t}.</tex>

Модель сравнивается со стратегиями:

* лечить всех;
* не лечить никого;
* использовать существующее клиническое правило.

Оценка клинической пользы требует обоснованного диапазона порогов.

== Высокая размерность и малая выборка ==

При <tex>p</tex> признаках и <tex>n</tex> пациентах:

:: <tex>p/n</tex>

может быть очень большим.

Последствия:

* нестабильные коэффициенты;
* множественные случайные корреляции;
* высокая дисперсия;
* оптимизм метрик;
* зависимость от разбиения;
* нестабильный набор выбранных признаков.

Количество изображений или срезов не равно числу независимых пациентов. Эффективная единица выборки определяется уровнем независимого клинического наблюдения.

== Коррелированность признаков ==

Радиомические характеристики часто отражают одни и те же свойства.

Корреляционная матрица:

:: <tex>R_{ij}={\rm corr}(X_i,X_j).</tex>

Высокая корреляция приводит к:

* нестабильности коэффициентов;
* трудности интерпретации;
* дублированию информации;
* повышенной вероятности выбора случайного представителя группы.

Удаление коррелированных признаков должно выполняться внутри каждого обучающего фолда.

== Переобучение ==

Переобучение возникает, если модель запоминает особенности обучающей выборки:

:: <tex>{\cal L}_{\rm train}\ll{\cal L}_{\rm external}.</tex>

Источники:

* большое число признаков;
* малая выборка;
* многократный подбор конвейера;
* слабая регуляризация;
* повторное использование тестовой выборки;
* выбор модели по лучшему случайному разбиению.

== Утечка данных ==

Примеры утечки:

* отбор признаков по всей выборке;
* нормализация до разбиения;
* использование данных одного пациента в обучении и тесте;
* разделение по срезам вместо пациентов;
* применение тестовой выборки для выбора порога;
* использование информации после прогнозируемого события;
* включение признака, непосредственно отражающего лечение или исход.

Все преобразования должны обучаться только на обучающих данных.

== Множественная проверка гипотез ==

При проверке <tex>m</tex> независимых гипотез с уровнем <tex>\alpha</tex> ожидаемое число ложноположительных результатов приблизительно равно:

:: <tex>m\alpha.</tex>

Используются:

* [[Поправка Бонферрони|поправка Бонферрони]];
* контроль [[False discovery rate|false discovery rate]];
* предварительно заданные гипотезы;
* независимое подтверждение.

Коррекция <tex>p</tex>-значений не устраняет смещение от выбора модели по максимальному результату.

== Дисбаланс классов ==

При редком исходе accuracy может быть высокой у модели, всегда прогнозирующей отрицательный класс.

Методы:

* [[Взвешивание классов|веса классов]];
* [[Ресэмплинг|повторная выборка]];
* [[Фокальная функция потерь|фокальная функция потерь]];
* подбор порога;
* PR-AUC;
* [[Стратифицированная выборка|стратифицированная валидация]].

Синтетическое увеличение данных должно выполняться только внутри обучающего фолда.

== Регуляризация ==

=== L2-регуляризация ===

:: <tex>{\cal L}_{\rm total}= {\cal L}_{\rm task}+ \lambda\|\theta\|_2^2.</tex>

=== Dropout ===

Во время обучения часть активаций зануляется:

:: <tex>\tilde h_i=m_ih_i,\qquad m_i\sim{\rm Bernoulli}(1-p).</tex>

=== Раннее прекращение ===

[[Раннее прекращение|Обучение завершается]], когда качество на валидационной части перестаёт улучшаться.

Валидационная часть не должна одновременно использоваться как окончательная тестовая выборка.

== Кросс-валидация ==

В <tex>K</tex>-блочной [[Кросс-валидация|кросс-валидации]]:

:: <tex>{\cal D}= {\cal D}_1\cup\cdots\cup{\cal D}_K.</tex>

Каждый блок один раз используется для проверки.

Разбиение должно выполняться:

* по пациентам;
* с учётом центра;
* с учётом времени при [[Временная валидация|временной валидации]];
* без разделения связанных исследований одного пациента.

Обычная кросс-валидация оценивает внутреннюю обобщающую способность, но не перенос между клиниками.

== Вложенная кросс-валидация ==

Внешний цикл оценивает модель, внутренний — выбирает [[Гиперпараметр|гиперпараметры]]:

:: <tex>{\cal D}^{\rm outer}_{\rm train} \longrightarrow {\cal D}^{\rm inner}_{\rm train,val} \longrightarrow {\cal D}^{\rm outer}_{\rm test}.</tex>

Во внутреннем цикле должны выполняться:

* предварительная обработка;
* отбор признаков;
* настройка модели;
* выбор порога.

[[Вложенная кросс-валидация|Вложенная схема]] уменьшает оптимизм, но не заменяет внешнюю валидацию.

== Bootstrap ==

Из выборки размера <tex>n</tex> формируются повторные выборки с возвращением:

:: <tex>{\cal D}^{*(b)}\sim{\cal D}.</tex>

[[Бутстрэп|Bootstrap]] применяется для:

* доверительных интервалов;
* оценки оптимизма;
* анализа стабильности признаков;
* проверки устойчивости модели.

При кластерных данных ресэмплинг должен выполняться на уровне пациента или центра.

== Внешняя валидация ==

Внешняя проверка выполняется на данных, отличающихся по:

* медицинскому центру;
* времени;
* региону;
* сканеру;
* популяции;
* протоколу;
* клиническому процессу.

Простое случайное выделение 20 % данных из одного центра является внутренней, а не внешней валидацией.

== Гармонизация между центрами ==

=== Стандартизация протоколов ===

Наиболее предпочтительный подход — согласование получения и реконструкции изображений до сбора данных.

=== ComBat ===

[[ComBat]] моделирует значение признака <tex>j</tex> пациента <tex>i</tex> как:

:: <tex>x_{ij}= \alpha_j+ c_i^{\mathsf T}\beta_j+ \gamma_{b_i,j}+ \delta_{b_i,j}\varepsilon_{ij},</tex>

где:

* <tex>b_i</tex> — центр или пакет;
* <tex>c_i</tex> — биологические ковариаты;
* <tex>\gamma</tex> — аддитивный эффект центра;
* <tex>\delta</tex> — масштабный эффект.

Гармонизированное значение:

:: <tex>x_{ij}^{*}= \frac{x_{ij}-\alpha_j-c_i^{\mathsf T}\beta_j-\gamma_{b_i,j}} {\delta_{b_i,j}} +\alpha_j+c_i^{\mathsf T}\beta_j.</tex>

Метод применялся для уменьшения межцентровых различий ПЭТ-признаков.<ref name="Orlhac2018">{{статья |автор=Orlhac F., Boughdad S., Philippe C. et al. |заглавие=A Postreconstruction Harmonization Method for Multicenter Radiomic Studies in PET |ссылка=https://doi.org/10.2967/jnumed.117.199935 |издание=Journal of Nuclear Medicine |год=2018 |том=59 |номер=8 |страницы=1321—1328 |doi=10.2967/jnumed.117.199935 |язык=en}}</ref>

Ограничения ComBat:

* предположение о корректно определённом пакетном эффекте;
* невозможность исправить неидентифицируемое смешение центра и исхода;
* риск удаления биологического сигнала;
* необходимость применять параметры, оценённые без тестовой утечки;
* невозможность исправить ошибочную сегментацию;
* отсутствие гарантии переноса модели.

Практические условия применения ComBat подробно рассматриваются в руководстве Орляк и соавторов.<ref name="Orlhac2022">{{статья |автор=Orlhac F., Eertink J. J., Cottereau A.-S. et al. |заглавие=A Guide to ComBat Harmonization of Imaging Biomarkers in Multicenter Studies |ссылка=https://doi.org/10.2967/jnumed.121.262464 |издание=Journal of Nuclear Medicine |год=2022 |том=63 |номер=2 |страницы=172—179 |doi=10.2967/jnumed.121.262464 |язык=en}}</ref>

=== Гармонизация изображений ===

Возможны:

* единый ресэмплинг;
* согласование разрешения;
* фильтрация;
* сопоставление гистограмм;
* стандартизация реконструкции;
* [[Перенос стиля|преобразование домена]] нейронной сетью.

Генеративное преобразование изображения может создавать или удалять патологические структуры, поэтому требует строгой проверки.

== Сдвиг распределения ==

Пусть обучающее и целевое распределения различаются:

:: <tex>P_{\rm train}(X,Y)\neq P_{\rm deploy}(X,Y).</tex>

Виды сдвига:

* изменение сканера;
* изменение протокола;
* изменение распространённости;
* изменение популяции;
* изменение клинического маршрута;
* изменение лечения;
* [[Концептуальный дрейф|временной дрейф]].

Высокая внутренняя AUC не показывает устойчивость к таким изменениям.

== Интерпретируемость ==

Для ручных признаков можно анализировать коэффициенты модели, но название признака не всегда соответствует клинически понятному механизму.

Для глубоких моделей применяются:

* [[Карта градиента|карты градиентов]];
* [[Grad-CAM]];
* [[Интегрированные градиенты]];
* [[Анализ окклюзии]];
* [[SHAP]];
* [[Локальная интерпретируемость|локальные суррогатные модели]];
* [[Контрфактическое объяснение|контрфактические изображения]].

Объяснение должно проверяться на стабильность и клиническую правдоподобность. Визуальная карта внимания не доказывает, что модель использует причинно значимую структуру.

== Различия между направлениями ==

=== Радиомика ===

Преобразует медицинское изображение или область в количественные признаки и использует их для моделирования.

=== Анализ медицинских изображений ===

Более широкое направление, включающее:

* [[Регистрация изображений|регистрацию]];
* [[Реконструкция изображения|реконструкцию]];
* сегментацию;
* обнаружение;
* [[Улучшение изображения|улучшение изображения]];
* [[Научная визуализация|визуализацию]];
* количественный анализ.

Радиомика является частью анализа медицинских изображений.

=== Компьютерная диагностика ===

[[Компьютерная диагностика]] — система поддержки или автоматизации диагностического решения. Она может использовать радиомику, глубокое обучение, клинические данные или правила.

=== Радиогеномика ===

Исследует связи изображения с молекулярными и геномными характеристиками.

=== Цифровая патология ===

Анализирует гистологические изображения и [[Клеточная морфология|клеточную морфологию]].

=== Глубокое обучение ===

Является общим классом методов и не ограничивается медицинскими изображениями или радиомикой.

== Клинические применения ==

=== Онкология ===

Радиомика применяется для:

* различения доброкачественных и злокачественных образований;
* определения стадии;
* прогнозирования гистологического типа;
* оценки молекулярного подтипа;
* прогнозирования выживаемости;
* оценки ответа на [[Лучевая терапия|лучевую терапию]];
* прогнозирования рецидива;
* анализа [[Внутриопухолевая неоднородность|внутриопухолевой неоднородности]].

Большая часть исследований остаётся [[Ретроспективное исследование|ретроспективной]]. Связь с исходом не означает, что использование модели улучшит лечение.

=== Неврология ===

Применения:

* классификация опухолей мозга;
* прогноз молекулярного статуса [[Глиома|глиом]];
* анализ [[Инсульт|инсульта]];
* оценка [[Демиелинизирующее заболевание|демиелинизирующих заболеваний]];
* исследование [[Нейродегенеративное заболевание|нейродегенерации]];
* прогнозирование когнитивных нарушений.

МРТ-радиомика чувствительна к последовательности, полю томографа и предварительной обработке.

=== Кардиология ===

Используются КТ, МРТ, [[Эхокардиография|эхокардиография]] и ПЭТ для:

* анализа [[Миокард|миокарда]];
* оценки [[Фиброз|фиброза]];
* исследования [[Атеросклеротическая бляшка|атеросклеротических бляшек]];
* прогноза сердечно-сосудистых событий;
* анализа перфузии;
* оценки структуры камер сердца.

Движение сердца требует [[Синхронизация ЭКГ|синхронизации]] и устойчивой регистрации.

=== Пульмонология ===

Применения:

* анализ [[Лёгочный узел|узлов лёгкого]];
* оценка [[Эмфизема|эмфиземы]];
* [[Интерстициальное заболевание лёгких|интерстициальные заболевания]];
* прогноз обострений;
* оценка фиброза;
* анализ инфекционных изменений.

КТ лёгких особенно чувствительна к глубине вдоха и ядру реконструкции.

=== Патология ===

Объединение радиомики и цифровой патологии используется для:

* сопоставления макро- и микрофенотипа;
* прогнозирования молекулярных характеристик;
* анализа неоднородности;
* построения мультимодальных моделей.

Пространственное соответствие радиологического и гистологического материала часто ограничено деформацией ткани и различием масштаба.

=== Прогноз ответа на терапию ===

Модель может оценивать вероятность ответа:

:: <tex>P(R=1\mid X,T=t).</tex>

Но для выбора между терапиями необходима оценка взаимодействия:

:: <tex>Y=\beta_0+\beta_1T+\beta_2Z+\beta_3TZ+\varepsilon.</tex>

Коэффициент <tex>\beta_3</tex> характеризует различие эффекта терапии в зависимости от биомаркера.

=== Поддержка клинических решений ===

Радиомическая система может:

* дополнять оценку врача;
* определять необходимость дополнительного исследования;
* выбирать пациентов для [[Биопсия|биопсии]];
* [[Стратификация риска|стратифицировать риск]];
* помогать планировать лечение;
* контролировать динамику.

Перед внедрением необходимо сравнить систему не с отсутствием информации, а с реальным [[Стандарт медицинской помощи|стандартом клинической практики]].

== Сравнение подходов ==

{| class="wikitable"
! Подход
! Требования к данным
! Интерпретируемость
! Воспроизводимость
! Вычислительная стоимость
! Масштабируемость
! Устойчивость к сдвигу
! Преимущества
! Ограничения
|-
| Классическая радиомика
| Изображения, сегментации, сравнительно небольшая выборка
| Средняя или высокая на уровне формул
| Зависит от стандартизации конвейера
| Низкая или средняя
| Высокая после сегментации
| Ограниченная
| Фиксированные признаки, работа при малом <tex>n</tex>
| Чувствительность к настройкам, коррелированность
|-
| Глубокая радиомика
| Изображения и данные для обучения или предварительно обученная сеть
| Низкая или средняя
| Зависит от сети и слоя
| Высокая
| Высокая при автоматизации
| Ограниченная без [[Адаптация домена|доменной адаптации]]
| Гибкие признаки, использование пространственного контекста
| Сложная интерпретация и высокая потребность в данных
|-
| Сквозная глубокая модель
| Большая размеченная выборка
| Низкая
| Зависит от кода, весов и протокола
| Высокая
| Высокая после обучения
| Часто низкая при межцентровом переносе
| Совместная оптимизация всего процесса
| Риск скрытых коррелятов и переобучения
|-
| Традиционная клиническая модель
| Клинические и лабораторные данные
| Обычно высокая
| Часто выше при стандартизованных переменных
| Низкая
| Высокая
| Зависит от популяции
| Простота, доступность, понятность
| Может не использовать пространственную информацию изображения
|}

Новый радиомический алгоритм должен сравниваться с клинической моделью и объединённой моделью:

:: <tex>{\rm Model}_{\rm clinical},</tex>

:: <tex>{\rm Model}_{\rm radiomics},</tex>

:: <tex>{\rm Model}_{\rm combined}.</tex>

Увеличение AUC должно сопровождаться анализом калибровки и клинической пользы.

== Стандартизация ==

=== Image Biomarker Standardisation Initiative ===

IBSI предназначена для:

* унификации названий признаков;
* определения математических формул;
* описания предварительной обработки;
* предоставления эталонных изображений;
* предоставления контрольных значений;
* проверки программных реализаций;
* стандартизации фильтров.

В первом разделе IBSI стандартизованы основные вычислительные признаки, а последующие материалы расширяют стандартизацию фильтрации.<ref name="IBSI2020"/>

Соответствие IBSI означает согласованность вычислений с эталоном, но не подтверждает клиническую валидность модели.

=== PyRadiomics ===

PyRadiomics поддерживает:

* признаки формы;
* первый порядок;
* GLCM;
* GLRLM;
* GLSZM;
* NGTDM;
* GLDM;
* фильтрованные изображения;
* конфигурационные файлы.

Для воспроизводимости необходимо сохранять:

* версию пакета;
* файл параметров;
* версию зависимостей;
* параметры ресэмплинга;
* маски;
* список активных признаков.

== Стандарты качества и отчётности ==

=== Radiomics Quality Score ===

[[Radiomics Quality Score]] был предложен для оценки методологической строгости радиомических исследований. Он учитывает, среди прочего:

* протокол визуализации;
* повторные исследования;
* сегментацию;
* отбор признаков;
* валидацию;
* калибровку;
* клиническую полезность;
* открытость данных и кода.<ref name="RQS2017">{{статья |автор=Lambin P., Leijenaar R. T. H., Deist T. M. et al. |заглавие=Radiomics: The Bridge between Medical Imaging and Personalized Medicine |ссылка=https://doi.org/10.1038/nrclinonc.2017.141 |издание=Nature Reviews Clinical Oncology |год=2017 |том=14 |номер=12 |страницы=749—762 |doi=10.1038/nrclinonc.2017.141 |язык=en}}</ref>

RQS не является заменой экспертной оценки риска смещения и не должен использоваться как единственный показатель качества.

В 2025 году была предложена обновлённая версия RQS 2.0, ориентированная на уровни готовности и клиническую трансляцию, включая аспекты глубокого обучения, реальной осуществимости и оценки влияния.<ref name="RQS2">{{статья |автор=Lambin P., Woodruff H. C., Mali S. A. et al. |заглавие=Radiomics Quality Score 2.0: Towards Radiomics Readiness Levels and Clinical Translation for Personalized Medicine |ссылка=https://doi.org/10.1038/s41571-025-01067-1 |издание=Nature Reviews Clinical Oncology |год=2025 |doi=10.1038/s41571-025-01067-1 |язык=en}}</ref>

=== METRICS ===

[[METhodological RadiomICs Score|METhodological RadiomICs Score]] разработан как инструмент оценки качества радиомических исследований и поддержан European Society of Medical Imaging Informatics.<ref name="METRICS">{{статья |автор=Kocak B., Akinci D'Antonoli T., Mercaldo N. D. et al. |заглавие=METhodological RadiomICs Score (METRICS): A Quality Scoring Tool for Radiomics Research Endorsed by EuSoMII |ссылка=https://doi.org/10.1186/s13244-023-01572-w |издание=Insights into Imaging |год=2024 |том=15 |doi=10.1186/s13244-023-01572-w |язык=en}}</ref>

=== TRIPOD+AI ===

[[TRIPOD|TRIPOD+AI]] содержит рекомендации по прозрачному описанию моделей индивидуального диагноза и прогноза, построенных методами регрессии или машинного обучения.<ref name="TRIPODAI">{{статья |автор=Collins G. S., Moons K. G. M., Dhiman P. et al. |заглавие=TRIPOD+AI Statement: Updated Guidance for Reporting Clinical Prediction Models That Use Regression or Machine Learning Methods |ссылка=https://doi.org/10.1136/bmj-2023-078378 |издание=BMJ |год=2024 |том=385 |страницы=e078378 |doi=10.1136/bmj-2023-078378 |язык=en}}</ref>

Следует сообщать:

* источник данных;
* критерии включения;
* обработку пропусков;
* объём выборки;
* полный конвейер;
* гиперпараметры;
* внутреннюю и внешнюю проверку;
* калибровку;
* способ получения прогноза.

=== PROBAST+AI ===

[[PROBAST|PROBAST+AI]] используется для оценки качества, риска смещения и применимости исследований прогностических и диагностических моделей.<ref name="PROBASTAI">{{статья |автор=Moons K. G. M., Wolff R. F., Riley R. D. et al. |заглавие=PROBAST+AI: An Updated Quality, Risk of Bias, and Applicability Assessment Tool for Prediction Models Using Regression or Artificial Intelligence Methods |ссылка=https://doi.org/10.1136/bmj-2024-082505 |издание=BMJ |год=2025 |том=388 |страницы=e082505 |doi=10.1136/bmj-2024-082505 |язык=en}}</ref>

=== CLAIM ===

[[Checklist for Artificial Intelligence in Medical Imaging|Checklist for Artificial Intelligence in Medical Imaging]] предназначен для прозрачного описания исследований искусственного интеллекта в медицинской визуализации.<ref name="CLAIM">{{статья |автор=Mongan J., Moy L., Kahn C. E. Jr. |заглавие=Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers |ссылка=https://doi.org/10.1148/ryai.2020200029 |издание=Radiology: Artificial Intelligence |год=2020 |том=2 |номер=2 |страницы=e200029 |doi=10.1148/ryai.2020200029 |язык=en}}</ref>

Отчётность не исправляет слабый дизайн исследования, но позволяет читателю оценить его ограничения.

== Защита медицинских данных ==

Изображения и связанные клинические данные являются [[Медицинские данные|чувствительной информацией]].

Необходимы:

* правовое основание обработки;
* [[Этическое одобрение исследования|этическое одобрение]];
* [[Контроль доступа|контроль доступа]];
* [[Шифрование|шифрование]];
* [[Журналирование|журналирование]];
* [[Минимизация данных|минимизация данных]];
* удаление идентификаторов;
* контроль вторичного использования;
* защита ключа соответствия;
* оценка риска [[Повторная идентификация|повторной идентификации]].

Файл [[DICOM]] может содержать идентификаторы не только в заголовках, но и непосредственно в пикселях.

=== Федеративное обучение ===

[[Федеративное обучение]] позволяет обучать модель без централизованной передачи всех данных.

Локальное обновление:

:: <tex>\theta_k^{(t+1)}= {\rm Train}(\theta^{(t)},{\cal D}_k).</tex>

Агрегация:

:: <tex>\theta^{(t+1)}= \sum_k\frac{n_k}{\sum_jn_j} \theta_k^{(t+1)}.</tex>

Федеративное обучение не гарантирует конфиденциальность само по себе. Возможны утечки через градиенты, различия центров и [[Атака на федеративное обучение|атаки на участников]].

== Независимая валидация ==

Независимая проверка должна по возможности выполняться командой, не участвовавшей в разработке.

Необходимо предоставить:

* окончательную версию модели;
* код предварительной обработки;
* порог;
* список признаков;
* коэффициенты;
* [[Контейнеризация|контейнер]] или исполняемую реализацию;
* описание допустимых входов;
* правила обработки ошибок.

Изменение модели после просмотра внешних результатов превращает набор в часть разработки и требует новой независимой проверки.

== Клиническая валидация ==

Исследовательская модель становится клиническим инструментом только после оценки:

* технической точности;
* клинической валидности;
* аналитической воспроизводимости;
* влияния на решение;
* безопасности;
* сравнения со стандартом;
* пользы для пациента;
* стоимости;
* интеграции в рабочий процесс.

Ретроспективная ассоциация не доказывает, что использование модели улучшит исходы.

== Практический порядок исследования ==

# Определить клиническую задачу и момент применения.
# Указать диагностическую, прогностическую или терапевтическую цель.
# Заранее определить популяцию и исход.
# Зафиксировать протоколы визуализации.
# Выполнить контроль качества изображений.
# Разделить пациентов на разработку и независимую проверку.
# Зафиксировать предварительную обработку.
# Описать сегментацию.
# Проверить устойчивость признаков.
# Выполнить отбор только внутри обучающего конвейера.
# Использовать вложенную кросс-валидацию при подборе модели.
# Сравнить с клинической моделью.
# Оценить дискриминацию.
# Оценить калибровку.
# Оценить клиническую полезность.
# Выполнить внешнюю валидацию.
# Проверить межцентровый перенос.
# Задокументировать код, версии и параметры.
# Провести [[Анализ ошибок|анализ ошибок]].
# Оценить влияние модели на клинический процесс.

== Основные преимущества ==

* количественный анализ стандартных изображений;
* неинвазивное исследование всего объёма поражения;
* оценка пространственной неоднородности;
* возможность повторного анализа архивных данных;
* объединение с клиническими и молекулярными данными;
* автоматизация отдельных этапов;
* потенциальная поддержка персонализированного лечения;
* возможность динамического анализа повторных исследований.

== Основные ограничения ==

* зависимость от протокола сканирования;
* чувствительность к сегментации;
* высокая размерность;
* малая выборка;
* множественная проверка гипотез;
* коррелированность признаков;
* утечка данных;
* недостаток внешней валидации;
* межцентровый сдвиг;
* слабая причинная интерпретация;
* ограниченная воспроизводимость;
* неодинаковые определения deep radiomics;
* отсутствие гарантированной клинической пользы;
* риски медицинских данных;
* высокая стоимость проспективной проверки.

== См. также ==

* [[Машинное обучение]]
* [[Глубокое обучение]]
* [[Компьютерное зрение]]
* [[Обработка изображений]]
* [[Медицинская визуализация]]
* [[Количественный анализ изображений]]
* [[Компьютерная томография]]
* [[Магнитно-резонансная томография]]
* [[Позитронно-эмиссионная томография]]
* [[Ультразвуковое исследование]]
* [[Рентгенография]]
* [[Цифровая патология]]
* [[Сегментация изображений]]
* [[Сверточная нейронная сеть]]
* [[Трёхмерная свёрточная нейронная сеть]]
* [[U-Net]]
* [[Автоэнкодер]]
* [[Трансформер]]
* [[Графовая нейронная сеть]]
* [[Обучение с переносом]]
* [[Самоконтролируемое обучение]]
* [[Мультимодальное обучение]]
* [[Классификация]]
* [[Регрессия]]
* [[Анализ выживаемости]]
* [[ROC-кривая]]
* [[Калибровка вероятностей]]
* [[Клиническая полезность]]
* [[Кросс-валидация]]
* [[Вложенная кросс-валидация]]
* [[Утечка данных]]
* [[Гармонизация данных]]
* [[ComBat]]
* [[Интерпретируемость моделей]]
* [[Радиогеномика]]
* [[Персонализированная медицина]]
* [[Медицинская информатика]]
* [[Image Biomarker Standardisation Initiative]]

== Примечания ==

<references/>

== Литература ==

* {{статья
 |автор=Gillies R. J., Kinahan P. E., Hricak H.
 |заглавие=Radiomics: Images Are More than Pictures, They Are Data
 |ссылка=https://doi.org/10.1148/radiol.2015151169
 |издание=Radiology
 |год=2016
 |том=278
 |номер=2
 |страницы=563—577
 |doi=10.1148/radiol.2015151169
 |язык=en
}}

* {{книга
 |автор=Hastie T., Tibshirani R., Friedman J.
 |заглавие=The Elements of Statistical Learning: Data Mining, Inference, and Prediction
 |издание=Second Edition
 |место=New York
 |издательство=Springer
 |год=2009
 |isbn=978-0-387-84857-0
 |язык=en
}}

* {{статья
 |автор=Lambin P., Rios-Velazquez E., Leijenaar R. et al.
 |заглавие=Radiomics: Extracting More Information from Medical Images Using Advanced Feature Analysis
 |ссылка=https://doi.org/10.1016/j.ejca.2011.11.036
 |издание=European Journal of Cancer
 |год=2012
 |том=48
 |номер=4
 |страницы=441—446
 |doi=10.1016/j.ejca.2011.11.036
 |язык=en
}}

* {{статья
 |автор=Kumar V., Gu Y., Basu S. et al.
 |заглавие=Radiomics: The Process and the Challenges
 |ссылка=https://doi.org/10.1016/j.mri.2012.06.010
 |издание=Magnetic Resonance Imaging
 |год=2012
 |том=30
 |номер=9
 |страницы=1234—1248
 |doi=10.1016/j.mri.2012.06.010
 |язык=en
}}

* {{статья
 |автор=Aerts H. J. W. L., Velazquez E. R., Leijenaar R. T. H. et al.
 |заглавие=Decoding Tumour Phenotype by Noninvasive Imaging Using a Quantitative Radiomics Approach
 |ссылка=https://doi.org/10.1038/ncomms5006
 |издание=Nature Communications
 |год=2014
 |том=5
 |страницы=4006
 |doi=10.1038/ncomms5006
 |язык=en
}}

* {{статья
 |автор=Ronneberger O., Fischer P., Brox T.
 |заглавие=U-Net: Convolutional Networks for Biomedical Image Segmentation
 |ссылка=https://arxiv.org/abs/1505.04597
 |издание=Medical Image Computing and Computer-Assisted Intervention
 |год=2015
 |страницы=234—241
 |язык=en
}}

* {{статья
 |автор=Çiçek Ö., Abdulkadir A., Lienkamp S. S., Brox T., Ronneberger O.
 |заглавие=3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
 |ссылка=https://doi.org/10.1007/978-3-319-46723-8_49
 |издание=Medical Image Computing and Computer-Assisted Intervention
 |год=2016
 |страницы=424—432
 |doi=10.1007/978-3-319-46723-8_49
 |язык=en
}}

* {{статья
 |автор=Lambin P., Leijenaar R. T. H., Deist T. M. et al.
 |заглавие=Radiomics: The Bridge between Medical Imaging and Personalized Medicine
 |ссылка=https://doi.org/10.1038/nrclinonc.2017.141
 |издание=Nature Reviews Clinical Oncology
 |год=2017
 |том=14
 |номер=12
 |страницы=749—762
 |doi=10.1038/nrclinonc.2017.141
 |язык=en
}}

* {{статья
 |автор=van Griethuysen J. J. M., Fedorov A., Parmar C. et al.
 |заглавие=Computational Radiomics System to Decode the Radiographic Phenotype
 |ссылка=https://doi.org/10.1158/0008-5472.CAN-17-0339
 |издание=Cancer Research
 |год=2017
 |том=77
 |номер=21
 |страницы=e104—e107
 |doi=10.1158/0008-5472.CAN-17-0339
 |язык=en
}}

* {{статья
 |автор=Litjens G., Kooi T., Bejnordi B. E. et al.
 |заглавие=A Survey on Deep Learning in Medical Image Analysis
 |ссылка=https://doi.org/10.1016/j.media.2017.07.005
 |издание=Medical Image Analysis
 |год=2017
 |том=42
 |страницы=60—88
 |doi=10.1016/j.media.2017.07.005
 |язык=en
}}

* {{статья
 |автор=Orlhac F., Boughdad S., Philippe C. et al.
 |заглавие=A Postreconstruction Harmonization Method for Multicenter Radiomic Studies in PET
 |ссылка=https://doi.org/10.2967/jnumed.117.199935
 |издание=Journal of Nuclear Medicine
 |год=2018
 |том=59
 |номер=8
 |страницы=1321—1328
 |doi=10.2967/jnumed.117.199935
 |язык=en
}}

* {{статья
 |автор=Zwanenburg A., Vallières M., Abdalah M. A. et al.
 |заглавие=The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping
 |ссылка=https://doi.org/10.1148/radiol.2020191145
 |издание=Radiology
 |год=2020
 |том=295
 |номер=2
 |страницы=328—338
 |doi=10.1148/radiol.2020191145
 |язык=en
}}

* {{статья
 |автор=Mongan J., Moy L., Kahn C. E. Jr.
 |заглавие=Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers
 |ссылка=https://doi.org/10.1148/ryai.2020200029
 |издание=Radiology: Artificial Intelligence
 |год=2020
 |том=2
 |номер=2
 |страницы=e200029
 |doi=10.1148/ryai.2020200029
 |язык=en
}}

* {{статья
 |автор=Orlhac F., Eertink J. J., Cottereau A.-S. et al.
 |заглавие=A Guide to ComBat Harmonization of Imaging Biomarkers in Multicenter Studies
 |ссылка=https://doi.org/10.2967/jnumed.121.262464
 |издание=Journal of Nuclear Medicine
 |год=2022
 |том=63
 |номер=2
 |страницы=172—179
 |doi=10.2967/jnumed.121.262464
 |язык=en
}}

* {{статья
 |автор=Kocak B., Akinci D'Antonoli T., Mercaldo N. D. et al.
 |заглавие=METhodological RadiomICs Score (METRICS): A Quality Scoring Tool for Radiomics Research Endorsed by EuSoMII
 |ссылка=https://doi.org/10.1186/s13244-023-01572-w
 |издание=Insights into Imaging
 |год=2024
 |том=15
 |doi=10.1186/s13244-023-01572-w
 |язык=en
}}

* {{статья
 |автор=Collins G. S., Moons K. G. M., Dhiman P. et al.
 |заглавие=TRIPOD+AI Statement: Updated Guidance for Reporting Clinical Prediction Models That Use Regression or Machine Learning Methods
 |ссылка=https://doi.org/10.1136/bmj-2023-078378
 |издание=BMJ
 |год=2024
 |том=385
 |страницы=e078378
 |doi=10.1136/bmj-2023-078378
 |язык=en
}}

* {{статья
 |автор=Moons K. G. M., Wolff R. F., Riley R. D. et al.
 |заглавие=PROBAST+AI: An Updated Quality, Risk of Bias, and Applicability Assessment Tool for Prediction Models Using Regression or Artificial Intelligence Methods
 |ссылка=https://doi.org/10.1136/bmj-2024-082505
 |издание=BMJ
 |год=2025
 |том=388
 |страницы=e082505
 |doi=10.1136/bmj-2024-082505
 |язык=en
}}

* {{статья
 |автор=Lambin P., Woodruff H. C., Mali S. A. et al.
 |заглавие=Radiomics Quality Score 2.0: Towards Radiomics Readiness Levels and Clinical Translation for Personalized Medicine
 |ссылка=https://doi.org/10.1038/s41571-025-01067-1
 |издание=Nature Reviews Clinical Oncology
 |год=2025
 |doi=10.1038/s41571-025-01067-1
 |язык=en
}}

* {{cite web
 |url=https://theibsi.github.io/
 |title=Image Biomarker Standardisation Initiative
 |author=IBSI
 |language=en
 |accessdate=2026-07-19
}}

* {{cite web
 |url=https://pyradiomics.readthedocs.io/
 |title=PyRadiomics Documentation
 |author=PyRadiomics Project
 |language=en
 |accessdate=2026-07-19
}}

* {{cite web
 |url=https://www.tripod-statement.org/
 |title=TRIPOD+AI Reporting Guideline
 |author=TRIPOD Group
 |language=en
 |accessdate=2026-07-19
}}

* {{cite web
 |url=https://www.probast.org/
 |title=PROBAST and PROBAST+AI
 |author=PROBAST Group
 |language=en
 |accessdate=2026-07-19
}}

[[Категория:Машинное обучение]]
[[Категория:Глубокое обучение]]
[[Категория:Компьютерное зрение]]
[[Категория:Обработка изображений]]
[[Категория:Медицинская информатика]]
[[Категория:Энциклопедия анализа данных]]
Шаблоны, использованные на текущей версии страницы:
Возврат к странице Радиомика (Radiomics) и глубокое обучение.
Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%A0%D0%B0%D0%B4%D0%B8%D0%BE%D0%BC%D0%B8%D0%BA%D0%B0_%28Radiomics%29_%D0%B8_%D0%B3%D0%BB%D1%83%D0%B1%D0%BE%D0%BA%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5»
Просмотр

Материал из MachineLearning.

Просмотры

Личные инструменты

Навигация

Поиск

Инструменты
