Worse is better? Performance and bias implications of feature selection in radiomics-based survival analysis
Notice bibliographique
Résumé
We present an extension of the minimum redundancy, maximum relevance (mRMR) feature selection algorithm to accommodate right-censored survival outcomes. We use a set of 197 preoperative CT scans from patients that underwent hepatic resection to treat colorectal liver metastases, with the intention of predicting overall survival based on radiomic analysis of the largest metastasis. Using selection of the K-best features as a baseline, mRMR is introduced as a correction of the ranking, balancing relevance with the correlation of each candidate feature with those previously selected. Harrell’s C-index is introduced as a replacement for the F-statistic to accommodate right-censoring. Two pre-processing operations are considered: first, features of low univariate significance are removed; and second, features with low reproducibility in an independent data set are removed. Each algorithm was tested in a repeated 10-fold cross-validation of a Cox proportional hazards model of overall survival. We found that use of mRMR was associated with a decrease in performance C-index of -0.016. While mRMR models had lower bias, univariate significance thresholding increased the bias of mRMR models by 0.02, producing the models with highest bias. More stable feature selection methods were associated with reduced bias and better overall performance. The baseline K-best method, with no accounting for redundancy or censoring, and no pre-processing, obtained the best performance (C-index=0.600 (0.591–0.607)) and a bias of 0.000 (-0.001– 0.004).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».