FeAture Explorer (FAE): 放射omicsモデルを開発し比較するためのツール

放射omics研究において、研究者は通常、画像特徴を臨床的結論にマッピングするための教師あり機械学習モデルを開発する必要があります。従来の機械学習パイプラインは、正規化、特徴選択、分類などのいくつかのステップで構成されます。適切な組み合わせを持つ最適なパイプラインを見つけることはしばしば面倒です。我々はFeAture Explorer (FAE)という名前のオープンソースソフトウェアパッケージを設計しました。これはPythonでプログラムされ、NumPy、pandas、およびscikit-learningモジュールを使用しています。FAEは、画像特徴を抽出し、特徴行列を前処理し、異なるモデルを自動的に開発し、一般的な臨床統計を用いてそれらを評価するために使用できます。FAEは、放射線科医や研究者が多くの異なるパイプラインを構築し、その結果を視覚的に比較するために使用できるユーザーフレンドリーなグラフィカルユーザーインターフェースを特徴としています。FAEの効果を証明するために、PROSTATExデータセットを使用して臨床的に有意な前立腺癌（CS PCa）と非CS PCaを分類する候補モデルを開発しました。異なる特徴選択器と分類器の組み合わせを試し、検証データセット上の異なるモデルの受信者動作特性曲線の下の面積を比較し、独立したテストデータを使用してモデルを評価するためにFAEを使用しました。特徴選択器として分散分析を、分類器として線形判別分析を用いた最終モデルが選定され、FAEによって便利に評価されました。トレーニング、検証、テストデータセットにおける受信者動作特性曲線の下の面積は、それぞれ0.838、0.814、および0.824の結果を達成しました。FAEは研究者が放射omicsモデルを構築し、独立したテストデータセットを用いて評価することを可能にします。また、簡単なモデル比較と結果の視覚化も提供します。我々はFAEが放射omics研究および教師あり機械学習を含む他の医学研究のための便利なツールとなると信じています。