An Empirical Approach for Avoiding False Discoveries When Applying High-Dimensional Radiomics to Small Datasets
Notice bibliographique
Résumé
Purpose: Radiomic studies, where correlations are drawn between patients' medical image features and patient outcomes, often deal with small datasets. Consequently, results can suffer from lack of replicability and stability. This paper establishes a methodology to assess and reduce the impact of statistical fluctuations that may occur in small datasets. Such fluctuations can lead to false discoveries, particularly when applying feature selection or machine learning (ML) methods commonly used in the radiomics literature. Methods: Two feature selection methods were created, one for choosing single predictive features, and another for obtaining features sets that could be combined in a predictive model. The features were combined using ML tools less affected by overfitting (Naïve Bayes, logistic regression, and linear support vector machines). Only three features were allowed to be combined at a time, further limiting overfitting. This methodology was applied to MR images from small datasets in metastatic liver disease (69 samples) and primary uterine adenocarcinoma (93 samples), and the outcomes studied were: desmoplasia (for liver metastases), lymphovascular space invasion (LVSI), cancer staging (FIGO), and tumor grade (for uterine tumors). For outcomes in uterine cancer, the predictive models were tested on independent subsets. Results: With respect to the combined predictive feature approach: for LVSI, a prognostic factor that a human reader cannot detect, the predictive model yielded AUC = 0.87 ± 0.07 and accuracy = 0.84 ± 0.09 in the testing set. For FIGO staging, AUC = 0.81 ± 0.03 and accuracy = 0.79 ± 0.08. For tumor grade, AUC = 0.76 ± 0.05 and accuracy = 0.70 ± 0.08. Conclusion: Despite considering a large set (~104) of texture features, the false discovery avoidance methodology allowed only robust predictive models to be retained. Thus, the stringent false discovery avoidance methods introduced here do not preclude the discovery of promising correlations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».