Как изображение становится признаком
Измените границу, соберите интервалы, проследите путь одной пары. Здесь каждое число можно проверить.
Вы решаете, что измерять
Нажмите на любую ячейку, чтобы изменить маску.
Искусственная сетка, не данные пациента. Интенсивности 10, 30, 50 и 70 — условные единицы; объём одного вокселя — 1 мм³.
Граница меняет выборку
Оранжевая рамка выбирает воксели. Поменяйте контур — и измерения обновятся сразу.
Исключите ячейку с высоким значением 70. Объём уменьшится на 1 мм³, а средняя интенсивность изменится.
Здесь показан воксельный объём. Объём по полигональной поверхности — другое определение. Совпадение названий не гарантирует совпадения признаков.
Из значений — в интервалы
Теперь цифра в ячейке — номер интервала. Цвет объединяет одинаковые уровни внутри ROI.
bin = floor((x − 0) / ширина) + 1Начало сетки фиксировано: 0. Значение на правой границе переходит в следующий интервал. Пустые уровни не перенумеровываем.
Дискретизация меняет гистограмму и текстуру. Среднее исходных интенсивностей при неизменной ROI остаётся прежним.
Соседство тоже измеримо
Берём горизонтальных соседей: оба вокселя должны быть внутри ROI. Одна пара пополняет ячейки (i, j) и (j, i).
Σ p(i,j) · (i−j)²Чем дальше от диагонали расположена пара, тем больше её вклад.
В матрице показаны количества, а в формуле p = количество / сумма матрицы. Симметризация удваивает и диагональные элементы.
Учебная 2D-схема: одно направление, горизонтальные соседи. Основной расчёт использует 3D и 13 направлений. Это объяснение процесса, не проверка соответствия IBSI.
Три решения, от которых зависит результат
Поставьте вершины вокруг очага и нажмите «Замкнуть контур». Кисть и ластик уточняют маску.
| Признак | Эталон | Ваш | Δ, % |
|---|
Порог — учебная настройка. Один срез позволяет сравнить признаки двух масок, но не оценить популяционную воспроизводимость или ICC. Для этого нужны повторные разметки набора пациентов.
Последний ползунок моделирует изменение получения изображения. Он способен изменить признаки при неизменном объекте.
Какие изменения мы измерили
Относительное Δf = 100 × Δf / |f(T₀)|
Формула относительного изменения выбрана явно; при f(T₀) = 0 оно не определено. В других исследованиях знаменатель может быть задан иначе.
Изменение признака ≠ эффект лечения
Одна строка — один пациент; target — условный класс 0/1. Стратифицированное разбиение ≈ 60/20/20, seed = 2026. Визиты и очаги одного пациента должны оставаться в одной части. Здесь CSV с повторяющимся patient_id отклоняется.
Формат CSV
patient_id,target,volume_ml,mean,histogram_entropy,glcm_contrast
P001,0,12.5,83.2,2.1,9.3
P002,1,18.1,,3.3,14.030–500 уникальных пациентов, минимум 10 каждого класса, 2–12 числовых признаков. Разделитель — запятая или точка с запятой; для второго варианта поддерживается десятичная запятая. Пустое значение означает пропуск. patient_id и target не входят в признаки. Не используйте персональные идентификаторы.
Таблица исходных признаков
TRAIN · ПЕРВЫЕ 8Какие признаки передать модели?
Корреляция Пирсона на train после заполнения пропусков. Сильно связанные признаки могут дублировать информацию. Здесь выбор ручной; автоматический отбор в исследовании выполняется внутри каждого CV-fold.
Покажите, где возникает утечка
Медианы, масштабы, отбор признаков и гармонизация обучаются только на train. SMOTE и другие способы балансировки — тоже только внутри обучающего fold. Не добавляйте сведения о будущем исходе.
Подробный эксперимент с данными
Меняйте сложность, следите за обобщением
Почему получился такой ответ?
Объяснение показывает вычисления модели, а не причину заболевания. Коэффициенты зависят от масштаба и корреляции признаков; выход модели ещё не гарантирует калиброванную вероятность.
Дополнительно: независимая проверка и статистика
Цена одного порога
VALIDATIONAUC оценивает ранжирование и не меняется от выбранного порога. При редком классе дополнительно смотрите precision–recall.
Чувствительность = TP/(TP+FN); специфичность = TN/(TN+FP); precision = TP/(TP+FP); F1 = 2TP/(2TP+FP+FN). При нулевом знаменателе показывается «—», а не ноль.
Вероятность тоже нужно проверять
В 5 интервалах сравниваются средний прогноз и доля класса 1. Размер точки отражает число наблюдений. Мало данных — нестабильная диаграмма. Brier score учитывает и калибровку, и различительную способность.
Другая распространённость — другой PPV
Условный пересчёт PPV при сохранении текущих чувствительности и специфичности. Он не переобучает и не калибрует модель; при смене клиники эти предположения могут не выполняться.
Насколько надёжна оценка?
Интервал 2,5–97,5% отражает неопределённость фиксированных прогнозов на этой выборке. Модель не переобучается в каждом повторе. Это не полный учёт неопределённости всего pipeline; выбор модели по той же validation делает итоговую оценку оптимистичной.
Есть ли связь признака с классом?
Перестановочный тест разности средних первого выбранного признака на train. Нулевая гипотеза: метки обменны, связи нет.
Двусторонний p = (1 + число |Δ*| ≥ |Δ|) / 501. p не является вероятностью истинности гипотезы или клинической полезности.
Много признаков — много проверок
При α = 0,05 ожидаемое число ложных срабатываний = m × 0,05. Вероятность хотя бы одного = 1 − 0,95ᵐ при независимости. Радиомические признаки часто коррелируют, поэтому это учебная модель.
Для множества гипотез заранее выбирают коррекцию, например FDR; для прогнозирования оценивают весь pipeline на независимых данных.
Закройте настройку. Откройте test.
Порог, признаки и модель фиксируются. Возвращение к настройке после просмотра теста лишает его роли независимой финальной проверки.
Разнообразие важнее количества копий
Теоретическая иллюстрация: для M = 10 оценок с одинаковой дисперсией σ² и общей корреляцией ρ, Var(среднего)/σ² = ρ + (1−ρ)/M. Это не обещание роста AUC.
Что именно мы переносим?
ПЕРЕНОС ОБУЧЕНИЯТот же источник ≠ та же задача
В deep radiomics признаки — выход encoder. В классической радиомике признаки задаются формулами; перенос готового классификатора и гармонизация данных — отдельные задачи, не «дообучение формул IBSI».
До переноса проверьте
- Модальность, каналы, размер и нормализацию входа.
- Источник pretraining и возможное пересечение пациентов с test.
- Какие веса заморожены, какая головка обучается.
- Достаточно ли независимых пациентов для настройки.
- Внешнюю проверку, калибровку и смену домена.
Выберите задачу, опишите входные данные и определите, как будете проверять результат.
Ваш результат, который можно забрать
HTML-MVP содержит текущую обученную табличную модель и её preprocessing. Он работает автономно. Паспорт описывает выбранный сценарий; для LLM/CNN потребуется отдельная реализация.
Мини-RAG: найдите подтверждение до ответа
ПОИСК ПО УЧЕБНЫМ МАТЕРИАЛАМЗадайте вопрос и найдите подходящие фрагменты в трёх учебных заметках.
От эксперимента — к голосовому ассистенту
Демонстрация RayFlow ведущим.
Методические источники и границы реализации
PNG-опыты используют отдельный 2D-вычислитель. Slicer/NRRD остаётся в предыдущем модуле. Для воспроизводимого исследования фиксируйте данные, конечную точку, временной горизонт, разбиение, предобработку и версии кода.
IBSI: определения и протоколРазметка и устойчивость радиомических признаковДельта-радиомика: первичное исследованиеПредобработка и утечкиМетрикиКалибровкаАнсамблиПеренос обучения