Harmonizacja i przekazanie do modelu

Przypadek RIDER scharakteryzował zachowanie pomiaru przed wyborem interwencji. Ta kolejność ma znaczenie, gdy tabelę cech zestawia się z danych pochodzących z wielu skanerów, ośrodków lub protokołów akwizycji. Cecha może różnić się między grupami z powodu różnic procesu tworzenia obrazu, ale grupy mogą też różnić się populacją pacjentów, ścieżką opieki, spektrum choroby lub rozkładem wyników. Zaobserwowana różnica między partiami może jednocześnie zawierać kilka z tych składników.

Harmonizacja jest próbą zwiększenia porównywalności pomiarów względem zadeklarowanego źródła zmienności. Nie jest ogólnym etapem czyszczenia i nie zmienia heterogenicznego zbioru danych w jedną neutralną populację. Użyteczne pytanie jest bardziej precyzyjne: jaka zmienność podlega korekcie, jakie informacje mogą zostać wraz z nią usunięte i które części korekty mogą wpływać na późniejszy model?

Różnice akwizycji przenikają do tabeli cech

Ta sama nominalna zmiana chorobowa może dawać różne rozkłady cech, gdy zmienia się skaner, protokół, rekonstrukcja, rozdzielczość lub inne warunki akwizycji. Różnica może ujawnić się w wartościach pierwszego rzędu, w kształcie poprzez ścieżkę segmentacji i geometrii albo w teksturze poprzez przestrzenne relacje intensywności. Model uczony na połączonych danych może wykorzystywać takie różnice jako skróty, jeśli w kohorcie rozwojowej są one powiązane z wynikiem.

Słowo partia nazywa grupę używaną w analizie; nie wskazuje przyczyny różnicy między grupami. Ośrodek może być powiązany z protokołem skanera, a jednocześnie z innym składem pacjentów. Sygnał ośrodka może więc obejmować techniczne zakłócenie, rzeczywiste różnice populacyjne, różnice ścieżki opieki albo kilka tych elementów naraz. Zanim rozważy się estymand, nie można bezpiecznie uznać każdego sygnału powiązanego z ośrodkiem za niebiologiczny.

W takich warunkach harmonizacja staje się istotna. Interwencję trzeba powiązać z określonym celem: ograniczeniem znanej różnicy związanej z akwizycją, umożliwieniem konkretnego porównania albo wsparciem późniejszego modelu predykcyjnego. Są to różne cele. Analizy opisowej zachowania pomiaru nie należy po cichu zastępować zharmonizowaną tabelą, w której różnice zostały już zmienione.

ComBat koryguje rozkłady przy określonych założeniach

ComBat to metoda korekty efektu partii na poziomie cech, opracowana pierwotnie dla danych mikromacierzowych, a następnie stosowana w wieloośrodkowych analizach obrazowych. W ogólnym ujęciu estymuje transformację rozkładów cech związaną z partią. Transformacja może być użyteczna, gdy jej założenia odpowiadają projektowi badania, ale nie jest przyciskiem usuwającym każdy efekt ośrodka.

Główne założenie mówi, że efekt partii można oddzielić od struktury biologicznej lub związanej z wynikiem, którą należy zachować. Jeśli partia jest splątana z biologią lub wynikiem, korekta może usunąć część interesującego sygnału, pozostawić resztkowe obciążenie albo sprawić, że wynikowa cecha będzie mniej reprezentatywna dla zamierzonego estymandu. W przypadku ośrodka, który ma inny skaner i inny skład przypadków, nie można zakładać niezależności składników technicznych i biologicznych tylko dlatego, że dostępna jest etykieta ośrodka.

ComBat działa na już wyekstrahowanych wartościach cech, a nie na fizyce akwizycji ani surowych obrazach. Jeśli rekonstrukcja usunęła z obrazu treść przestrzenną, transformacja wyekstrahowanych wartości nie rekonstruuje obrazu i nie przywraca treści przestrzennej nieobecnej w danych wejściowych. Jeśli cecha jest wrażliwa na wybór rekonstrukcji, harmonizacja jej rozkładu może nadać wartościom pozór większej porównywalności, ukrywając surową wrażliwość, którą miało scharakteryzować badanie pomiarowe. Cecha zharmonizowana jest zatem cechą po interwencji, a nie nienaruszonym pomiarem wyjściowym.

ComBat na poziomie cech oraz harmonizacja na poziomie obrazu lub metody adaptacji dziedziny są różnymi klasami metod. ComBat na poziomie cech działa na wyekstrahowanych wartościach; metody na poziomie obrazu interweniują przed ekstrakcją i mają właściwe sobie założenia dotyczące dziedziny obrazu oraz tego, co należy zachować. Metodę pierwotną opisali Johnson, Li i Rabinovic, a zagadnienia swoiste dla obrazowania omawiają Orlhac i wsp.. Istotne pytanie projektowe nie brzmi, czy ComBat jest ogólnie dobry lub zły. Brzmi ono: czy proponowana korekta jest odpowiednia dla partii, struktury biologicznej, wyniku i zamierzonego zastosowania w tym badaniu?

Charakterystyka i tworzenie modelu są różnymi fazami

Rozróżnienie między charakterystyką opisową a tworzeniem modelu określa sposób postępowania z etapem harmonizacji.

Niezależna od wyniku analiza opisowa może pytać, jak rozkłady cech różnią się między grupami akwizycji albo jak zdefiniowana cecha zachowuje się pod wpływem zadeklarowanej perturbacji. Jej celem jest opis pomiaru i rozpoznanie możliwego źródła zmienności. Należy ją jako taką zarejestrować, nie przedstawiając wyniku jako dowodu, że późniejsza interwencja predykcyjna będzie korzystna.

Analiza korzystająca z informacji o wyniku stawia inne pytanie. Jeśli wynik służy do wyboru reguły harmonizacji, dostrojenia jej parametrów, zachowania konkretnych cech albo porównania wariantów modelu, wybory te należą do tworzenia modelu. Taki sam status ma selekcja na podstawie stabilności, gdy jej wynik rozstrzyga, które kolumny wchodzą do modelu. Fakt, że reguła selekcji została uzasadniona właściwościami pomiarowymi, nie czyni jej niezależną od tworzenia modelu, gdy wybiera dane wejściowe modelu.

Wytyczne raportowania, takie jak lista kontrolna raportowania badań radiomicznych CLEAR i TRIPOD+AI, czynią te etapy tworzenia i oceny modelu częścią zadeklarowanego projektu badania. Materiały te kierują raportowaniem; nie dostarczają empirycznej walidacji.

Granicą walidacji rządzi niezmiennik. Każdą dopasowywaną lub zależną od danych transformację wykorzystywaną do tworzenia predykcyjnych danych wejściowych, w tym ComBat, skalowanie, selekcję cech oraz selekcję na podstawie stabilności korzystającą z informacji o wyniku, trzeba dopasować wyłącznie z użyciem informacji treningowych dozwolonych przez projekt, a następnie zastosować do danych wydzielonych. Rozdzielenie treningu i oceny jest jawnie opisane w TRIPOD+AI oraz w pozycjach CLEAR dotyczących rzetelności ocenianej wyłącznie na danych treningowych, skalowania, redukcji, wyboru modelu i testowania. Wytyczne te czynią procedurę możliwą do sprawdzenia; nie walidują transformacji ani modelu. Jeśli transformacja zostanie dopasowana z użyciem całego zbioru przed walidacją krzyżową, rozkład cech w danych wydzielonych wpłynął na dane wejściowe modelu. Wynikowa ocena nie reprezentuje już zadeklarowanej procedury korzystającej wyłącznie z danych treningowych.

Nie wynika z tego jeden uniwersalny porządek dla każdego badania radiomicznego. Właściwe umiejscowienie zależy od estymandu, opisowego lub predykcyjnego charakteru operacji, tego, czy działa ona na obrazach czy cechach, dostępnych danych referencyjnych oraz badanych źródeł zmienności. Etap harmonizacji może być osobną interwencją pomiarową, elementem tworzenia modelu albo częścią innego jawnie zdefiniowanego projektu. Jego rola i granica informacyjna muszą zostać ustalone przed wykorzystaniem wyniku do poparcia twierdzenia.

Pomiar wyjściowy w stylu RIDER i późniejszą analizę zharmonizowaną należy więc traktować jako powiązane, lecz odrębne pomiary. Najpierw trzeba scharakteryzować nieskorygowane zachowanie istotne dla pytania. Następnie, jeśli harmonizacja jest uzasadniona, należy zdefiniować nową interwencję i ponownie wykonać pomiar w ramach zadeklarowanego kontraktu. Zachowuje to możliwość określenia, co zmieniła interwencja, zamiast mylenia korekty z pierwotnymi właściwościami pomiarowymi.

Przekazanie do modelu jest kolejną granicą twierdzenia

Po scharakteryzowaniu właściwości pomiarowych i każdej osobnej interwencji tabelę cech można przekazać do analizy predykcyjnej. Przekazanie nie oznacza, że kolumny stały się niezależne, biologiczne lub użyteczne klinicznie.

Radiomika może tworzyć zbiory kandydatów, w których liczba cech jest znacznie większa od liczby pacjentów, co zapisuje się jako p >> n. Wspólne dane wejściowe lub powiązane transformacje mogą wywołać znaczną zależność albo korelację między kandydatami; nie gwarantują obserwowanej korelacji każdej pary. Lista kontrolna raportowania badań radiomicznych CLEAR czyni redukcję cech i wybór modelu raportowanymi częściami potoku, lecz nie dowodzi empirycznej trafności. Tworzenie modelu wymaga więc uczciwej selekcji cech, odpowiedniej formy regularyzacji oraz projektu walidacji obejmującego każdy wybór zależny od danych. Harmonizacja nie usuwa problemu wymiarowości ani selekcji.

Istotne porównanie nie ogranicza się również do pytania, czy model obrazowy przewyższa wynik losowy. Gdy estymand wymaga oceny wartości przyrostowej, model należy porównać z klinicznym modelem bazowym opartym na zmiennych takich jak wiek, stopień zaawansowania lub typ histologiczny. Lista kontrolna raportowania badań radiomicznych CLEAR ujmuje porównania z modelami nieradiomicznymi i łączonymi jako zagadnienia podlegające raportowaniu; sam ten wymóg nie dowodzi wartości przyrostowej. Pytanie brzmi, czy w tym samym projekcie na poziomie pacjenta pomiary obrazowe dodają informację ponad zapis kliniczny.

Atrakcyjna wewnętrzna metryka predykcyjna pozostaje wynikiem wewnętrznym. Sama nie dowodzi, że cecha mierzy zamierzoną biologię, wynik przenosi się do innego środowiska akwizycji ani że użycie modelu poprawia decyzję kliniczną. Kalibracja, ocena zewnętrzna i użyteczność kliniczna odpowiadają na pytania inne niż wewnętrzna zdolność dyskryminacyjna. TRIPOD+AI rozróżnia te wymiary raportowania predykcji; wytyczne czynią twierdzenia możliwymi do sprawdzenia, ale nie dostarczają walidacji empirycznej. Przekazanie do modelu zachowuje te rozróżnienia, zamiast zastępować je jednym wynikiem.

Trzy uzupełniające się role w procesie dowodowym

Poszczególne standardy i materiały dotyczące raportowania wspierają różne warstwy tej pracy. Należy używać ich do właściwych pytań, a nie traktować jako wymienne etykiety zatwierdzenia.

QIBA dotyczy właściwości pomiarowych w ramach określonego protokołu obrazowania. Jej rolą jest konkretyzowanie pytań o obciążenie, precyzję, powtarzalność i odtwarzalność w określonym zastosowaniu pomiaru. Właściwym punktem wejścia do tej warstwy są oficjalne informacje QIBA.

IBSI dotyczy sposobu definiowania i obliczania cech oraz filtrów radiomicznych, w tym obliczeń referencyjnych, względem których można sprawdzać implementacje. Pomaga określić, jaką liczbę powinna wytworzyć implementacja, lecz zgodność z definicją obliczeniową sama nie dowodzi trafności biologicznej ani użyteczności klinicznej. Te zagadnienia standaryzacji omawiają publikacja referencyjna IBSI i późniejsza publikacja IBSI 2.

CLEAR dotyczy raportowania badań radiomicznych. Wytyczne raportowania pomagają czytelnikowi odtworzyć kohortę, pomiary, przetwarzanie, analizę i twierdzenia na tyle dokładnie, aby ocenić, co rzeczywiście wykazało badanie. Nie mogą sprawić, by nieokreślony pomiar stał się odtwarzalny, ani zmienić słabego projektu walidacji w dowód kliniczny. Listę kontrolną raportowania badań radiomicznych CLEAR opisali Kocak i wsp..

Role te wzajemnie się uzupełniają. QIBA może określić ramy oceny właściwości pomiaru w zadeklarowanych warunkach, IBSI wyjaśnić sposób obliczania cechy lub filtra, a CLEAR uczynić materiał dowodowy badania możliwym do sprawdzenia. Żadne z nich nie usuwa potrzeby określenia estymandu, zachowania granicy walidacji ani ograniczenia końcowego twierdzenia do tego, co uzasadnia projekt.

Następna sekcja wraca do problemu kolejności w ograniczonym przypadku: Studium przypadku: pomiar przed interwencją wyjaśnia, dlaczego należy zachować pomiar wyjściowy przed wprowadzeniem harmonizacji, filtrowania lub modelowania oraz jak każdej interwencji przypisać własne pytanie i porównanie.

Źródła

• Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007;8(1):118-127. PMID 16632515, doi:10.1093/biostatistics/kxj037.
• Orlhac F, et al. A Guide to ComBat Harmonization of Imaging Biomarkers in Multicenter Studies. J Nucl Med. 2022;63(2):172-179. PMID 34531263, doi:10.2967/jnumed.121.262464.
• Zwanenburg A, Vallières M, Abdalah MA, et al. The Image Biomarker Standardisation Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328-338. doi:10.1148/radiol.2020191145, PMID 32154773.
• Whybra M, et al. IBSI 2. Radiology. 2024. doi:10.1148/radiol.231319.
• Quantitative Imaging Biomarkers Alliance (QIBA), RSNA: oficjalne informacje QIBA.
• Kocak B, et al. CLEAR radiomics reporting checklist. Insights into Imaging. 2023;14:75. PMID 37142815, doi:10.1186/s13244-023-01415-8.
• Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378.