AutoML in Radiomics: Leistung, Effizienz und Zugänglichkeit verglichen

Automatisierte Machine‑Learning‑Frameworks (AutoML) sollen die Entwicklung von Vorhersagemodellen in der Radiomics vereinfachen, indem sie Forschern ohne Programmierkenntnisse den Zugang ermöglichen. Ob diese Tools jedoch die spezifischen Anforderungen der Radiomics erfüllen, war bislang unklar. In einer vergleichenden Studie wurden die Leistung, Effizienz und Zugänglichkeit von sechs allgemeinen und fünf radiomics‑spezifischen AutoML‑Frameworks anhand von zehn öffentlichen und privaten Datensätzen mit CT‑ und MRT‑Bildern, unterschiedlichen Anatomien und Endpunkten untersucht.

Die Evaluation erfolgte mit standardisierter Kreuzvalidierung und Messgrößen wie dem AUC, der Laufzeit sowie qualitativen Aspekten zu Softwarestatus, Zugänglichkeit und Interpretierbarkeit. Simplatab, ein radiomics‑spezifisches Tool mit No‑Code‑Schnittstelle, erzielte den höchsten durchschnittlichen Test‑AUC von 81,81 % bei einer moderaten Laufzeit von etwa einer Stunde. LightAutoML, ein allgemeines Framework, zeigte die schnellste Ausführung mit einem konkurrenzfähigen AUC von 78,74 % in nur sechs Minuten.

Viele der radiomics‑spezifischen Frameworks konnten nicht in die Leistungsanalyse einbezogen werden, weil sie veraltet, programmierintensiv oder rechnerisch ineffizient waren. Im Gegensatz dazu boten die allgemeinen Frameworks eine höhere Zugänglichkeit und einfachere Implementierung. Simplatab liefert damit ein ausgewogenes Verhältnis von Leistung, Effizienz und Benutzerfreundlichkeit, während die allgemeinen Tools besonders für schnelle Prototypen geeignet sind.

Die Ergebnisse zeigen, dass AutoML in der Radiomics vielversprechend ist, jedoch noch gezielte Weiterentwicklungen benötigt, um die speziellen Anforderungen der Bildanalyse vollständig zu adressieren. Besonders radiomics‑spezifische Tools sollten künftig auf Aktualität, geringe Programmieranforderungen und Rechenleistung optimiert werden, um die breite Nutzung in der Forschung und Klinik zu fördern.