Datenbasis und ROI‑Methodik
Die Patientenkohorte umfasste 106 Fälle mit unterschiedlichen Tumordiagnosen, darunter insbesondere Pilocytic Astrocytoma. Für jede Ground‑Truth‑ROI wurde ein konservativ erodiertes und ein extensiv dilatiertes Pendant erzeugt, um die Auswirkungen von Grenzunsicherheiten zu modellieren. Anschließend wurden aus allen drei ROI‑Varianten dieselben 19 Merkmale extrahiert, um direkte Vergleiche zu ermöglichen.
Variabilität der Radiomics‑Features
Die Analyse zeigte, dass bei 18 von 19 Merkmalen die Dilatation der ROI zu einer signifikant höheren Variabilität führte (p 0.8 auf, was auf einen großen Unterschied zwischen den beiden Strategien hinweist. Die Ausprägung dieser Effekte variierte je nach Tumordiagnose und war bei Pilocytic Astrocytoma am stärksten ausgeprägt.
Auswirkungen auf diagnostische Klassifikatoren
Maschinelle Lernmodelle, die ausschließlich Merkmale aus den Ground‑Truth‑ROI‑Daten nutzten, erlitten bei der Anwendung von erodierten bzw. dilatierten ROI‑Merkmalen einen Rückgang der Klassifikationsgenauigkeit um 3.8 ± 0.8 % beziehungsweise 5.6 ± 0.9 %. Diese Ergebnisse belegen, dass die Wahl der ROI‑Grenzen die Leistungsfähigkeit von Diagnosemodellen maßgeblich beeinflussen kann.
Strategien zur Minderung von Genauigkeitsverlusten
Durch die Integration von Merkmalen aus erodierten und dilatierten ROI‑Varianten in das Trainingsset sowie die selektive Nutzung stabiler Merkmale konnte der Genauigkeitsverlust reduziert werden. Der kombinierte Ansatz führte zu einem Rückgang von nur 1.4 ± 0.7 % (Erosion) bzw. 2.9 ± 0.3 % (Dilatation) im Vergleich zu Modellen, die ausschließlich Ground‑Truth‑Merkmale verwendeten.
Implikationen für die Segmentierungspraxis
Die konsistent geringere Beeinträchtigung durch konservative ROI‑Grenzen legt nahe, dass das Ausschließen unsicherer Randbereiche bei der Segmentierung vorzuziehen ist. Dieser Befund unterstützt die Praxis, klare, eng gefasste Konturen zu wählen, um die Robustheit nachgelagerter Analysen zu erhöhen.
Schlussfolgerungen und Ausblick
Die Untersuchung verdeutlicht, dass die Definition von ROI‑Grenzen einen kritischen Einfluss auf die Stabilität radiomischer Merkmale und die Performance diagnostischer Modelle hat. Zukünftige Studien könnten die Kombination mehrerer Segmentierungsstrategien weiter systematisieren und prüfen, inwieweit erweiterte Trainingsdatensätze die Generalisierbarkeit klinischer Entscheidungsunterstützungssysteme stärken.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung