Interpretable machine learning through radiomics and attribute-regularized neural networks for cardiology

Abstract

El diagnóstico asistido por ordenador de enfermedades cardiovasculares (CVD) con resonancia magnética cardíaca (CMR) es un campo importante de investigación para el fenotipado avanzado de imágenes cardíacas. Las mediciones existentes sobre este tipo de datos, como la fracción de eyección y los volúmenes de las cámaras, son demasiado simples y, a menudo, no son capaces de captar cambios sutiles que afectan a las estructuras cardíacas durante las primeras etapas de la enfermedad. Por su parte, los algoritmos de aprendizaje automático (ML) aplicados a este tipo de datos se basan principalmente en la utilización de índices morfológicos. La radiómica CMR es una técnica emergente para el fenotipado cardíaco más profundo y preciso. Utiliza datos a nivel de píxel para obtener múltiples cuantificadores de forma y textura del tejido. Sin combinando biomarcadores clínicos y marcadores radiómicos.embargo, se enfrenta algunos desafíos como la falta de interpretabilidad y reproducibilidad. Otros tipos de métodos, como los de aprendizaje profundo (DL), revolucionaron las imágenes médicas. A pesar de estos métodos son capaces de aprender representaciones complejas a partir de los datos, una limitación de los mismos es que su naturaleza de “caja negra” provoca falta de explicabilidad e interpretabilidad de los resultados. Recientemente, la inteligencia artificial explicable (XAI) ha mostrado un excelente potencial en esta línea, donde los enfoques de XAI tienen como objetivo explicar cómo se realizan las elecciones de los sistemas de inteligencia artificial (IA). Los modelos basados en representación latente, como los autoencoders variacionales (VAE), tienen el potencial de aliviar las limitaciones anteriormente mencionadas de los modelos basados en DL, ya que pueden codificar atributos ocultos de los datos en un espacio latente de baja dimensión.

Esta tesis presenta enfoques interpretables basados en aprendizaje automático con técnicas de radiómica, aplicadas a imágenes de CMR, y con modelos basados en representación latente regularizada, con el objetivo de identificar cambios en la estructura cardíaca y en la textura del tejido. Usando conjuntos de datos multimodales, esta tesis se esfuerza por generar biomarcadores de imágenes que puedan ser utilizadas para la caracterización de diversas afecciones cardiovasculares. Esta tesis tiene tres contribuciones principales. En primer lugar, se desarrolló una metodología de análisis basada en radiómica sobre imágenes de CMR para cuantificar automáticamente distintos índices estructurales y de función cardiovascular. En segundo lugar, se realizó una de las evaluaciones más grandes y completas del uso de radiómica sobre imágenes de CMR para el fenotipado de las principales enfermedades cardiovasculares, empleando la base de datos de UK Biobank. Por último, se desarrolló una red neuronal regularizada a partir de atributos, con el objetivo de generar explicaciones sobre cardiopatías

Computer-aided diagnosis of cardiovascular diseases (CVD) with cardiovascular magnetic resonance (CMR) is an important research topic for advanced cardiac image phenotyping. Existing quantifiers, such as ejection fraction and chamber volumes, are overly simplistic and often do not capture subtle and complex changes that affect the heart structures at early disease stages. Machine learning (ML) approaches have primarily been concerned with shape indices. CMR radiomics is an emerging technique for deeper and more accurate cardiac phenotyping. It uses pixel-level data to derive multiple quantifiers of tissue shape and texture. Yet, it faces some challenges, including the lack of interpretability and reproducibility. Deep learning (DL) methods, on the other hand, revolutionized medical imaging. While these methods are capable of learning complex representations from data, a limitation of many of these models is that their black-box nature suffers from lack of explainability and interpretability. Recently, explainable artificial intelligence (XAI) has shown excellent potential in this line, where XAI approaches aim at explaining how the choices of artificial intelligent (AI) systems are made. Latent representation based models, such as Variational Autoencoders (VAEs) have the potential to alleviate the limitation of DL-based models as they are able to encode hidden attributes of the data in a low-dimensional latent space.

This thesis presents interpretable machine learning-based approaches through CMR radiomics and regularized latent-representation based models for identifying changes in cardiac structure and tissue texture due to various cardiovascular conditions from multi-modal datasets and endeavors to generate explanations from different imaging biomarkers. The contributions of this thesis are three-fold. Firstly, a CMR radiomics-based pipeline was developed to quantify cardiovascular conditions automatically. Secondly, one of the largest and most comprehensive assessments of CMR radiomics for image phenotyping of important cardiovascular diseases was carried out employing the UK Biobank dataset. Thirdly, a DL-based attribute-regularized network is proposed to generate explanations from cardiovascular pathological cases combining clinical biomarkers and radiomics signatures.