Reprezentacje projektowane ręcznie i wyuczone

Porównuj informacje, a nie obozy

Tę samą kohortę obrazową można reprezentować za pomocą zmiennych klinicznych, objętości i kształtu, podsumowań intensywności pierwszego rzędu, ręcznie projektowanych cech teksturalnych, aktywacji wyuczonych przez sieć albo osadzeń z modelu wstępnie wytrenowanego na zewnętrznym korpusie. Nie są to rywalizujące obozy z nieodłącznym zwycięzcą. Są różnymi przekształceniami dostępnej informacji, z których każde ma własne założenia, zależności pomiarowe i możliwości uczenia się na skrótach. Jest to porównanie robocze, a nie wyczerpująca taksonomia; badania mogą wykorzystywać inne reprezentacje lub ich kombinacje.

Użyteczne pytanie dotyczy przyrostu:

Co bardziej złożona reprezentacja wnosi ponad prostsze reprezentacje i czy ten przyrost utrzymuje się w rzetelnej ocenie?

Pytanie to chroni przed częstym błędem porównawczym. Reprezentacja może uzyskać wyższe wewnętrzne AUC, ponieważ koduje objętość, ośrodek, styl segmentacji albo inną zmienną już powiązaną z etykietą. Może to być rzeczywista zależność predykcyjna, ale nie dowodzi, że reprezentacja uchwyciła zamierzoną biologię ani że jej przyrost utrzyma się w innej kohorcie.

Co każda reprezentacja ujawnia

Radiomika oparta na cechach projektowanych ręcznie zaczyna się od podsumowań matematycznych wybranych przez ludzi. Ich definicję można sprawdzić: czytelnik może określić, jaki rozkład intensywności, relację przestrzenną lub operację na kształcie obliczono według zadeklarowanego kontraktu obrazu, maski, geometrii i dyskretyzacji. Czyni to definicję cechy bardziej widoczną, ale niekoniecznie jej znaczenie przyczynowe. Słownik wybrany przez analityka ogranicza również to, co reprezentacja może wyrazić, a obliczenie pozostaje zależne od warstwy pomiarowej. Możliwość sprawdzenia czyni definicję cechy bardziej widoczną; nie gwarantuje interpretowalności, znaczenia przyczynowego ani poprawności biologicznej.

Reprezentacje wyuczone optymalizują kodowanie z danych dla celu treningu wstępnego lub predykcji. Mogą wyrażać wzorce nieprzewidziane w rodzinie cech projektowanych ręcznie, ale dziedziczą też skalę danych, etykiety, przetwarzanie wstępne, projekt podziału oraz skróty dostępne podczas uczenia. Osadzenie nie jest automatycznie odporniejsze ani bardziej znaczące biologicznie dlatego, że jego cech nie nazwano z wyprzedzeniem. Jego interpretacja jest zwykle pośrednia i zależy od projektu oceny.

Osadzenia modeli fundamentalnych wprowadzają kolejną zależność: informację wyuczoną z zewnętrznego korpusu i procedury treningowej. Może to być użyteczne, gdy lokalnych etykiet jest mało, lecz rodzi pytania o proweniencję: skład korpusu, nakładanie się danych, licencje, adekwatność do zadania, adaptację i ukrytych skrótów. Konkretne nazwy modeli, listy korpusów, twierdzenia o możliwościach i szczegóły licencji szybko się zmieniają, dlatego należą do datowanego internetowego materiału uzupełniającego i wymagają weryfikacji według właściwych oficjalnych warunków lub źródła. Stabilne pytanie brzmi: co trenowano wstępnie, co zamrożono lub zaadaptowano i jak osadzenie przetestowano w danym zadaniu.

Drabina punktów odniesienia izoluje przyrost

Praktyczne porównanie wykorzystuje te same podziały pacjentów i te same zasady dopasowywania stanu dla każdej reprezentacji. Drabina punktów odniesienia może zawierać:

1. wyłącznie zmienne kliniczne;
2. wyłącznie objętość i kształt;
3. radiomikę opartą na cechach projektowanych ręcznie;
4. reprezentację wyuczoną, pochodzącą z sieci trenowanej dla zadania albo z osadzenia wstępnie wytrenowanego;
5. zmienne kliniczne wraz z radiomiką opartą na cechach projektowanych ręcznie;
6. zmienne kliniczne wraz z reprezentacją wyuczoną;
7. radiomikę opartą na cechach projektowanych ręcznie wraz z reprezentacją wyuczoną; oraz
8. połączoną reprezentację kliniczną, ręcznie projektowaną i wyuczoną, tylko wtedy, gdy dodatkową złożoność uzasadnia projekt walidacji.

Drabina jest narzędziem projektowania i czytania, a nie obietnicą, że w każdym badaniu trzeba wykorzystać każdy szczebel. Ujawnia jednak brakujące porównania. Różne podziały mogą dawać różne pozorne wyniki, ponieważ każda dopasowywana procedura widzi inny zbiór obserwacji. Każde zależne od danych skalowanie, dobieranie cech, strojenie lub adaptacja reprezentacji muszą respektować granicę walidacji opisaną w rozdziale o walidacji statystycznej. Gdy tabela cech spełnia p >> n, łączenie reprezentacji zwiększa przestrzeń, w której mogą działać wariancja i dobór. p >> n jest symbolicznym opisem sytuacji wysokowymiarowej, a nie uniwersalnym progiem liczbowym. Niestabilność zależy od efektywnej liczebności próby, sygnału, korelacji cech, złożoności modelu i procedury doboru. Regularyzacja może ograniczyć dopasowanie, ale nie zastępuje doboru zagnieżdżonego ani niezależnej oceny.

Drabina ujawnia również artefakty wynikające ze sposobu wyznaczenia etykiet. Jeśli etykieta częściowo koduje wielkość mierzoną bezpośrednio przez reprezentację, na przykład stadium zależne od rozmiaru i objętość albo wynik wyprowadzony z objętości i maskę segmentacji, uzyskana skuteczność może być przewidywalna z samej konstrukcji. Może to być poprawny wynik dla operacyjnego zadania predykcyjnego, ale nie stanowi dowodu niezależnego sygnału biologicznego. Punkt odniesienia trzeba interpretować w relacji do sposobu utworzenia etykiety. Wzorzec ten generuje hipotezę o konstrukcji etykiety; zanim zostanie uznany za wyjaśnienie przyczynowe, wymaga ukierunkowanego testu.

Fuzja jest projektem porównania, a nie gwarancją

Wczesna fuzja łączy tabele cech przed dopasowaniem jednego modelu. Może ujawniać interakcje między reprezentacjami, ale zwiększa również przestrzeń cech i liczbę wyborów dokonywanych na podstawie danych. Późna fuzja dopasowuje modele swoiste dla reprezentacji i łączy ich predykcje. Może być użyteczna, gdy reprezentacje częściowo się uzupełniają, lecz nie uczy się każdej interakcji między nimi. Projekt warstwowy przekazuje wyniki modeli swoistych dla reprezentacji do małego modelu końcowego; jeżeli wyniki te są wyuczone z danych, warstwa końcowa musi korzystać z predykcji poza foldem zamiast wyników na zbiorze treningowym.

Każdy wybór sposobu fuzji dodaje kolejne miejsce dla doboru i wycieku informacji. Komplementarność trzeba wykazać w zadeklarowanym zadaniu i środowisku testowym, a nie zakładać na podstawie odmiennego sposobu skonstruowania dwóch rodzin cech. Model połączony, który poprawia wynik wewnętrzny, lecz nie poprawia wyniku w teście zewnętrznym lub innym odpowiednim teście, nie wykazał trwałego przyrostu.

Datowane porównania ilustrują regułę

Datowane porównania związane z tym materiałem są użyteczne jako studia przypadku, a nie trwały ranking. Kontrolowany benchmark może wykazać zależne od zadania różnice między ekstraktorami cech projektowanych ręcznie i wyuczonych. Kliniczne badanie fuzji może pokazać wewnętrzną korzyść z połączenia, która w danych zewnętrznych maleje, znika lub zmienia charakter. Porównanie w kohorcie badania klinicznego może wykazać, że zespół niewiele wnosi, gdy jego reprezentacje składowe są nadmiarowe. Porównanie różnych obszarów może zmienić pozorny ranking, ponieważ definicja obszaru zmienia informację przedstawianą obu rodzinom.

Wzorce te są hipotezami, które należy sprawdzać w konkretnym badaniu, a nie dowodami, że jedna rodzina zawsze wygrywa. Bieżące publikacje, preprinty, identyfikatory, wyniki liczbowe i wersje modeli są utrzymywane oddzielnie i wymagają weryfikacji opartej na źródłach, zanim posłużą do sformułowania twierdzenia w stabilnym manuskrypcie. Przenośna lekcja polega na sprawdzeniu wiersza z wynikiem zewnętrznym, szczebli odniesienia, definicji obszaru oraz procedury podziału i adaptacji przed interpretacją rankingu reprezentacji.

Reprezentacja zależy od warstwy pomiarowej

Reprezentacja nie unosi się ponad obrazem. Radiomika zależy od obrazu, maski, geometrii, przetwarzania wstępnego i implementacji cechy. Osadzenia wyuczone zależą od tych danych wejściowych oraz od celu treningowego i historii danych. Zmiana obszaru, rekonstrukcji, próbkowania lub obsługi intensywności może zmienić informację dostarczaną obu rodzinom. Porównanie, które nie określa ROI i jego pochodzenia, jest zatem niedookreślone, nawet jeśli nazwy modeli i klasyfikator są jasne.

Prostsze szczeble są również kontrolami interpretacyjnymi. Zmienne kliniczne oraz objętość lub kształt mogą ujawnić, czy złożona reprezentacja w ogóle wnosi informację. Reprezentacja, która wygrywa tylko w obecności wielkości wyprowadzonej z etykiety, może mierzyć sposób konstrukcji tej etykiety. Reprezentacja wyuczona, która wydaje się silna w jednym ośrodku, może korzystać ze wskazówki związanej z ośrodkiem lub rekonstrukcją. Takie wzorce punktów odniesienia generują hipotezy, a nie ustalenia przyczynowe; przypisanie wyniku konkretnemu skrótowi wymaga ukierunkowanych testów. Nie dyskwalifikują metody, lecz określają, na jakie twierdzenie pozwala wynik.

Przejście: odtwórz badanie stojące za wynikiem

Przed zaakceptowaniem twierdzenia dotyczącego reprezentacji należy zapisać kohortę, jednostkę analizy, podział pacjentów, kontrakt obrazu i maski, konstrukcję etykiety, stany elementów dopasowywanych, szczeble odniesienia, test zewnętrzny lub czasowy oraz każdą adaptację. Następnie trzeba zapytać, jaki przyrost pozostaje, gdy wszystkie te wybory są wspólne. Jest to ta sama dyscyplina uwzględniająca pomiar i zadanie, którą rozwijano w całym rozdziale.

Następny rozdział przechodzi od wyników modeli do twierdzeń o dowodach formułowanych w publikacjach. Zaczyna od odtworzenia badania przed zaakceptowaniem jego narracji: jakie jednostki obserwowano, co przekroczyło granicę podziału, jak utworzono odniesienie i do czego dokładnie uprawnia raportowany wynik.