The effect of feature normalization methods in radiomics
한 줄 요약
본 연구는 radiomics 파이프라인에서 feature normalization 방법이 predictive performance와 feature selection에 미치는 영향을 체계적으로 평가하였다. 15개의 공개된 고차원 radiomics dataset을 활용하여 7가지 normalization 방법의 성능을 비교하였으며, preprocessing 단계가 모델의 예측 정확도와 선택된 feature 집합의 안정성에 어떻게 작용하는지 분석하였다. 연구 결과, normalization 방법은 평균적으로 예측 성능에 미미한 영향을 미쳤으나, dataset에 따라 성능 차이가 두드러졌으며 feature selection의 일관성에는 상당한 변동을 초래함을 확인하였다.
방법
본 연구는 retrospective design으로 15개의 공개된 radiomics dataset을 사용하였으며, MRI, FDG-PET, CT, DCE-MRI, US 등 다양한 imaging modality와 Brain tumor, NSCLC, Breast cancer, Ovarian cancer, Prostate cancer, HNSCC, Glioma, Thyroid cancer 등을 포함한다. 7가지 feature normalization 방법(z-Score, robust z-Score variants, Min-Max, power transformation, quantile transformation, tanh transformation, no normalization)을 baseline으로 설정하였다. feature selection에는 LASSO, extra trees (ET), ANOVA, Bhattacharyya를 적용했고, classifier로는 Naive Bayes, logistic regression (LR), kernelized SVM (RBF-SVM), random forest (RF)를 사용하였다. 모델 평가는 5-fold stratified cross-validation을 100회 반복하여 수행하였으며, normalization은 training fold에만 적용하여 data leakage를 방지하였다. 주요 endpoint는 mean AUC였으며, feature agreement와 model calibration도 함께 분석하였다.
주요 결과
평균적으로 normalization 방법 간 예측 성능 차이는 작았으나(z-Score mean AUC: 0.707 ± 0.102 vs no normalization mean AUC: 0.719 ± 0.107, 최대 차이 +0.012), 일부 dataset에서는 성능 차이가 +0.051까지 발생하였다. z-Score가 전반적으로 가장 우수한 성능을 보였으며, tanh transformation은 예측 성능을 오히려 저하시키는 worst performance를 보였다. quantile transformation은 평균적으로 z-Score보다 약간 낮았으나, 3개 dataset 중 1개에서 다른 모든 방법보다 우수했다. 서로 다른 normalization 방법으로 선택된 feature 간 agreement는 최대 62%로 mild 수준이었으며, 이는 preprocessing이 feature selection 결과에 강한 영향을 미침을 시사한다. cross-validation 전 normalization 적용은 유의한 bias를 유발하지 않았으며, model calibration도 크게 영향받지 않았다.
강점
본 연구는 단일 dataset에 국한되지 않고 15개의 공개 radiomics dataset을 아우르는 광범위한 benchmarking을 수행하여 결과의 일반화 가능성을 높였다. 또한 cross-validation split 전 normalization 적용 여부를 명시적으로 검증하여 radiomics 파이프라인의 data leakage 문제를 직접적으로 다뤘다는 방법론적 엄격성을 갖는다. LLM Wiki의 biomedical-imaging 및 AI 문헌에서 radiomics preprocessing의 표준화 필요성과 feature selection의 불안정성에 대한 실증적 근거를 제공하므로, 재현성 연구 및 모델 비교 시 preprocessing 전략 선택에 유용한 기준이 된다.
해석
이 논문은 radiomics와 quantitative imaging 파이프라인에서 preprocessing 단계가 단순한 데이터 정제가 아닌 모델 구조와 feature 해석에 직접적인 영향을 미치는 핵심 변수임을 입증한다. LLM Wiki의 oncology/imaging/AI 문헌들과 연결할 때, 다양한 tumor type과 imaging modality를 아우르는 본 연구의 결과는 radiomics feature의 생물학적/영상학적 해석이 normalization 전략에 따라 달라질 수 있음을 경고하며, 다기관 또는 multi-modal AI 모델 비교 시 preprocessing harmonization의 필요성을 강조한다. 특히 feature selection의 불안정성과 dataset 의존적 성능 변동은 향후 deep learning 기반 end-to-end radiomics나 federated learning 환경에서 standardization protocol 수립의 근거로 활용될 수 있다.