Negative controls reveal volume-driven confounding in radiomics and imaging foundation model features

📄 arXiv: 2607.28423v1 📥 PDF

作者: Katy L. Scott, Sejin Kim, Joshua Siraj, Caryn Geady, Matthew Boccalon, Mattea Welch, Mogtaba Alim, Andrew J. Hope, Benjamin Haibe-Kains

分类: cs.CV, cs.LG

发布日期: 2026-07-30

备注: 22 pages (including supplementary), 6 figures, 2 supplementary tables, 5 supplementary figures

💡 一句话要点

提出READII-2-ROQC以解决影像组学中的体积驱动混淆问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 影像组学 负对照 肿瘤生物标志物 深度学习 质量控制 空间信号 癌症影像

📋 核心要点

  1. 现有影像组学方法可能受到肿瘤体积和获取伪影的影响，导致预测特征缺乏生物学意义。
  2. 提出的READII-2-ROQC框架利用体积保持的负对照，通过生成扰动图像来评估影像特征的独立性。
  3. 在三个公共癌症影像队列中，处理了3,552个肿瘤体积，结果显示多个模型在空间结构破坏后仍保持性能，揭示了混淆现象。

📝 摘要（中文）

影像组学和影像基础模型承诺提供肿瘤生物学的非侵入性生物标志物，但预测特征可能反映肿瘤体积或获取伪影，而非有意义的图像结构。本文介绍了READII-2-ROQC，一个开源框架，利用体积保持的负对照评估影像特征是否捕捉独立的空间信号。该框架生成经过体素扰动的图像，并比较原始图像与对照图像的特征行为和模型性能。通过对三个公共癌症影像队列的应用，处理了3,552个肿瘤体积，提取了PyRadiomics和基础模型特征。结果表明，多个模型在空间结构被破坏后仍保持性能，揭示了体积驱动或上下文混淆，而其他模型则显示出对扰动敏感的信号。READII-2-ROQC为开发可解释的、生物学基础的影像生物标志物和可重复的影像组学工作流提供了可扩展的质量控制策略。

🔬 方法详解

问题定义：本文旨在解决影像组学和影像基础模型中存在的体积驱动混淆问题。现有方法往往无法区分肿瘤体积和真实生物信号的影响，导致预测结果的可靠性降低。

核心思路：提出的READII-2-ROQC框架通过生成体积保持的负对照图像，评估影像特征是否捕捉到独立的空间信号。这种设计旨在揭示特征与肿瘤体积之间的潜在混淆关系。

技术框架：该框架的整体流程包括生成经过体素扰动的图像、提取影像特征、比较原始图像与对照图像的特征行为和模型性能。主要模块包括图像扰动生成、特征提取和性能评估。

关键创新：READII-2-ROQC的创新在于使用体积保持的负对照方法，能够有效区分影像特征中的生物学信号与体积驱动的伪影。这一方法与传统影像组学方法的本质区别在于其对混淆因素的系统性评估。

关键设计：在技术细节上，框架允许配置随机化策略以生成扰动图像，并使用PyRadiomics提取特征。模型性能通过比较原始图像与多个匹配对照的结果来评估，确保了实验的可重复性和可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在对照图像中，多个模型在空间结构被破坏后仍能保持预测性能，表明存在体积驱动或上下文混淆现象。具体而言，处理的3,552个肿瘤体积中，多个模型的性能未显著下降，验证了READII-2-ROQC的有效性。

🎯 应用场景

该研究的潜在应用领域包括癌症影像分析和生物标志物的开发。通过提供一种可扩展的质量控制策略，READII-2-ROQC能够帮助研究人员开发更可靠的影像组学工作流，从而推动个性化医疗和精准治疗的发展。

📄 摘要（原文）

Radiomics and imaging foundation models promise non-invasive biomarkers of tumour biology, yet predictive signatures may reflect tumour volume or acquisition artifacts rather than meaningful image structure. We introduce READII-2-ROQC, an open-source framework that uses volume-preserving negative controls to assess whether radiomic and deep imaging features capture independent spatial signals. READII-2-ROQC generates voxel-perturbed images across tumour, background and whole-image regions using configurable randomization strategies, then compares feature behaviour and model performance between original and control images. Applied to three public cancer imaging cohorts, the framework processed 3,552 tumour volumes and extracted PyRadiomics and foundation-model features from original images and nine matched controls. Reproducing published survival and HPV-status signatures, we show that multiple models retain performance after spatial structure is destroyed, revealing volume-driven or contextual confounding, whereas others show perturbation-sensitive signal. READII-2-ROQC provides a scalable quality-control strategy for developing interpretable, biologically grounded imaging biomarkers and reproducible radiomics workflows.