ОПТИМАЛЬНИЙ МЕТОД БІНАРИЗАЦІЇ ОЗНАК IBSI ДЛЯ ІНТЕРПРЕТОВАНОЇ ДІАГНОСТИКИ ПУХЛИН ГОЛОВНОГО МОЗКУ

Анотація

У статті представлено оптимальний метод бінаризації стандартизованих ознак IBSI для побудови інтерпретованих діагностичних моделей пухлин головного мозку. Зростання використання радіоміки в медичній візуалізації зумовило формування великих наборів кількісних ознак, що описують текстурні, морфологічні та інтенсивнісні характеристики патологічних утворень. Проте інтеграція цих неперервних числових характеристик в інтерпретовані діагностичні системи, засновані на правилах, потребує ефективних підходів до дискретизації, які забезпечують збереження діагностичної інформативності та клінічної зрозумілості результатів. Запропонований підхід базується на критерії максимізації взаємної інформації з урахуванням локального діагностичного контексту та забезпечує оптимальний баланс між інформативністю ознак і сумісністю з архітектурою логічних правил. Розроблено адаптивну процедуру визначення порогових значень шляхом дискретного пошуку серед множини кандидатів із використанням комплексного критерію, який враховує як інформаційну цінність ознаки, так і збалансованість розподілу бінаризованих значень. Методологія передбачає використання порогів на основі процентилів і статистично обґрунтованих значень для формування розширеної множини кандидатів, що забезпечує надійну трансформацію ознак у різних клінічних сценаріях. Експериментальна перевірка на наборі МРТ-зображень із чотирма класами патологій (гліома, менінгіома, пухлина гіпофіза та відсутність пухлини), який містив 64 стандартизовані ознаки IBSI, показала, що оптимізовані порогові значення забезпечують середню взаємну інформацію на рівні 0,342 біта порівняно з 0,287 біта для фіксованих медіанних порогів, що відповідає покращенню на 19,2 % при статистичній значущості (p < 0,001). Запропонований метод забезпечує формування більш стабільних і клінічно релевантних діагностичних правил завдяки збереженню медичної змістовності відібраних ознак під час їх перетворення у бінарний формат. Інтеграція з архітектурою мережі правил прийняття рішень (Decision Rules Network) продемонструвала підвищення точності класифікації на 7,3 % та досягнення 89,3 % локальної узгодженості з базовою моделлю VGG-16. Дослідження розв’язує фундаментальну проблему дискретизації ознак для інтерпретованих систем, заснованих на правилах, у сфері медичної візуалізації шляхом розроблення теоретично обґрунтованого оптимізаційного підходу, який поєднує математичну строгість із практичною клінічною придатністю бінарних ознак, сприяючи підвищенню прозорості та довіри до систем підтримки діагностичних рішень на основі штучного інтелекту.