[論文レビュー] Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional validation study

Nathaniel Braman, Mohammed El Adoui+11 more|Repository of the University of Namur|Jan 22, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 52被引用数 14

ひとこと要約

本研究では、HER2陽性乳房がん患者におけるHER2標的補欠化学療法への病理的完全寛解（pCR）を予測するために、治療前動脈対比強調MRI（DCE-MRI）を用いた深層学習モデルを開発した。多施設での妥当性評価では、独立したテストコホートでAUCが0.85および0.77を達成し、臨床的および薬動学的モデルを上回る性能を示した。

ABSTRACT

Predicting response to neoadjuvant therapy is a vexing challenge in breast cancer. In this study, we evaluate the ability of deep learning to predict response to HER2-targeted neo-adjuvant chemotherapy (NAC) from pre-treatment dynamic contrast-enhanced (DCE) MRI acquired prior to treatment. In a retrospective study encompassing DCE-MRI data from a total of 157 HER2+ breast cancer patients from 5 institutions, we developed and validated a deep learning approach for predicting pathological complete response (pCR) to HER2-targeted NAC prior to treatment. 100 patients who received HER2-targeted neoadjuvant chemotherapy at a single institution were used to train (n=85) and tune (n=15) a convolutional neural network (CNN) to predict pCR. A multi-input CNN leveraging both pre-contrast and late post-contrast DCE-MRI acquisitions was identified to achieve optimal response prediction within the validation set (AUC=0.93). This model was then tested on two independent testing cohorts with pre-treatment DCE-MRI data. It achieved strong performance in a 28 patient testing set from a second institution (AUC=0.85, 95% CI 0.67-1.0, p=.0008) and a 29 patient multicenter trial including data from 3 additional institutions (AUC=0.77, 95% CI 0.58-0.97, p=0.006). Deep learning-based response prediction model was found to exceed a multivariable model incorporating predictive clinical variables (AUC < .65 in testing cohorts) and a model of semi-quantitative DCE-MRI pharmacokinetic measurements (AUC < .60 in testing cohorts). The results presented in this work across multiple sites suggest that with further validation deep learning could provide an effective and reliable tool to guide targeted therapy in breast cancer, thus reducing overtreatment among HER2+ patients.

研究の動機と目的

• 治療前DCE-MRIを用いて、HER2標的補欠化学療法への病理的完全寛解（pCR）を予測する深層学習モデルを開発すること。
• 一般化性および頑健性を評価するために、複数施設でモデルを妥当性評価すること。
• 従来の臨床的および半定量的薬動学的モデルと比較して、深層学習モデルの性能を評価すること。
• 深層学習で抽出された放射線的特徴量が、標準的な臨床変数を超えて予測精度を向上させるかどうかを評価すること。

提案手法

• 単一施設で収集した100例のHER2陽性患者の、対照前および遅延対比強調DCE-MRI画像を用いて、マルチインプット畳み込みニューラルネットワーク（CNN）を学習した。
• 85例を学習・チューニングに、15例を検証に使用し、対照前および対比後両方の入力を組み合わせた場合に最良の性能が得られた。
• 最終モデルは、2番目の施設（n=28）および3つの追加施設で構成される多施設治験（n=29）の2つの独立コホートでテストした。
• 性能評価には受信者操作特性曲線下積分（AUC）を用い、95%信頼区間およびp値を報告した。
• 同一のテストセットを用いて、多変量臨床モデルおよび半定量的薬動学的モデルとモデルを比較した。

実験結果

リサーチクエスチョン

• RQ1 治療前DCE-MRIを学習対象とした深層学習モデルは、HER2陽性乳房がん患者のpCRを正確に予測できるか？
• RQ2 多様な画像プロトコルおよび患者集団を有する複数施設間で、このモデルは一般化可能か？
• RQ3 深層学習モデルの性能は、pCR予測において標準的な臨床的および薬動学的モデルと比較してどうなるか？
• RQ4 対照前および遅延対比後DCE-MRI画像両方の入力を組み込むことが、最良の予測性能を達成するために不可欠か？

主な発見

• 内部検証セットでは深層学習モデルがAUC 0.93を達成し、強力な予測性能を示した。
• 2番目の施設の独立コホート（n=28）では、AUCが0.85（95%信頼区間：0.67–1.0、p=0.0008）を達成した。
• 3つの追加施設で構成される多施設治験（n=29）では、AUCが0.77（95%信頼区間：0.58–0.97、p=0.006）を達成した。
• 両方の独立テストコホートにおいて、深層学習モデルは多変量臨床モデル（AUC < 0.65）および半定量的薬動学的モデル（AUC < 0.60）を有意に上回った。
• 対照前および遅延対比後両方の画像を組み合わせたマルチインプットCNNが、応答予測の最適なアーキテクチャとして特定された。