[論文レビュー] Deep learning analysis of breast MRIs for prediction of occult invasive disease in ductal carcinoma in situ

Zhe Zhu, Michael R. Harowicz+5 more|arXiv (Cornell University)|Nov 28, 2017

AI in cancer detection参考文献 14被引用数 3

ひとこと要約

本研究では、核心生検後に診断された導管内癌（DCIS）患者における隠れた浸潤性病変を予測するために、乳腺MRIに深層学習モデルを適用する。事前学習済みのGoogleNet特徴量と多項式カーネルSVM分類器を用いた手法は、AUC 0.70を達成し、治療意思決定を支援する非侵襲的かつ隠れた浸潤成分の同定の可能性を示した。

ABSTRACT

Purpose: To determine whether deep learning-based algorithms applied to breast MR images can aid in the prediction of occult invasive disease following the di- agnosis of ductal carcinoma in situ (DCIS) by core needle biopsy. Material and Methods: In this institutional review board-approved study, we analyzed dynamic contrast-enhanced fat-saturated T1-weighted MRI sequences of 131 patients at our institution with a core needle biopsy-confirmed diagnosis of DCIS. The patients had no preoperative therapy before breast MRI and no prior history of breast cancer. We explored two different deep learning approaches to predict whether there was a hidden (occult) invasive component in the analyzed tumors that was ultimately detected at surgical excision. In the first approach, we adopted the transfer learning strategy, in which a network pre-trained on a large dataset of natural images is fine-tuned with our DCIS images. Specifically, we used the GoogleNet model pre-trained on the ImageNet dataset. In the second approach, we used a pre-trained network to extract deep features, and a support vector machine (SVM) that utilizes these features to predict the upstaging of the DCIS. We used 10-fold cross validation and the area under the ROC curve (AUC) to estimate the performance of the predictive models. Results: The best classification performance was obtained using the deep features approach with GoogleNet model pre-trained on ImageNet as the feature extractor and a polynomial kernel SVM used as the classifier (AUC = 0.70, 95% CI: 0.58- 0.79). For the transfer learning based approach, the highest AUC obtained was 0.53 (95% CI: 0.41-0.62). Conclusion: Convolutional neural networks could potentially be used to identify occult invasive disease in patients diagnosed with DCIS at the initial core needle biopsy.

研究の動機と目的

• 核心生検で診断されたDCIS患者における、乳腺MRIに適用した深層学習が、隠れた浸潤性病変を予測できるかどうかを検証すること。
• この予測タスクにおいて、トランスファー学習と深層特徴抽出のアプローチを比較すること。
• 深層学習モデルが従来の放射線科的評価を上回り、浸潤性病変の見逃しを減らせるかどうかを評価すること。
• 限られたトレーニングサンプルを有する小規模な医療画像データセットにおいて、事前学習済み畳み込みニューラルネットワークの実用性を検討すること。

提案手法

• ImageNetで事前学習済みのGoogleNetモデルを用い、131例のDCIS患者のMRIスキャンに対して微調整（fine-tuning）を適用することでトランスファー学習を実施した。
• 事前学習済みGoogleNetの畳み込み層から深層特徴量を抽出し、下流の分類器の入力として使用した。
• 抽出された深層特徴量を入力として、多項式カーネルを用いたサポートベクターマシン（SVM）をトレーニングし、浸潤性病変への上昇ステージングを予測した。
• モデルの性能を評価するために10分割交差検証を用い、受信者操作特性曲線（ROC）下の面積（AUC）を主な指標とした。
• 2つのアプローチを比較した：エンドツーエンドのトランスファー学習と、事前学習済みネットワーク特徴量を用いた特徴ベース分類。
• Duke Universityの承認を得た後向きデータを用い、厳格な除外基準を適用した：過去に癌歴なし、術前化学療法なし、生検で確認されたDCIS。

実験結果

リサーチクエスチョン

• RQ1 動的対照増強乳腺MRIに適用した深層学習モデルは、DCIS患者における隠れた浸潤性病変を予測できるか？
• RQ2 この文脈において、トランスファー学習の性能は特徴ベースの深層学習アプローチと比べてどうか？
• RQ3 大規模な自然画像データセットから得た事前学習済み特徴量を用いることで、小規模な医療画像コhortにおけるDCISの上昇ステージング予測が向上するか？
• RQ4 深層特徴量と従来の分類器（例：SVM）を組み合わせたハイブリッドアプローチは、データが少ない状況でエンドツーエンド微調整を上回る性能を示せるか？

主な発見

• GoogleNet特徴量と多項式カーネルSVMを用いた深層特徴ベースのアプローチが、最高のAUC 0.70（95%信頼区間：0.58–0.79）を達成した。
• トランスファー学習アプローチは、限られたトレーニングデータによる過学習のため、AUCが0.53（95%信頼区間：0.41–0.62）にとどまり、低い性能を示した。
• モデルは131例のDCIS患者のうち35例（26.7%）が手術で浸潤性病変に上昇ステージングされたことを同定した。
• 本研究では、限られた医療画像データセットにおいて、事前学習済みの深層特徴量が微調整よりも過学習が少なく、より効果的であることが示された。
• 結果から、限られたデータでも深層学習がMRIから浸潤性病変と関連する有意義なパターンを抽出できることを示唆している。
• 有望な結果が得られたが、AUC 0.70はまだ独立した臨床的応用には不十分であり、大規模かつ多施設にまたがるデータセットの必要性が浮き彫りになった。