[論文レビュー] Deep Learning for identifying radiogenomic associations in breast cancer

Zhe Zhu, Ehab A. AlBadawy+4 more|arXiv (Cornell University)|Nov 29, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 23被引用数 12

ひとこと要約

本研究では、動的対照増強磁気共鳴画像法（DCE-MRI）スキャンから、腫瘍の分子サブタイプ（Luminal A 対非Luminal A）を分類することで、深層学習が乳がんにおけるレディオゲノム的関連を同定できるかを調査している。270例の患者スキャンを用い、3つの深層学習手法（初期化から学習、トランスファー学習、オフザシェルフ特徴量）を適用した結果、事前学習済みネットワークから事前に抽出された特徴量を用いた手法が最高の性能（AUC = 0.65）を達成した。これは、深層学習が乳がんにおけるレディオゲノム的発見を支援できる可能性を示している。

ABSTRACT

Purpose: To determine whether deep learning models can distinguish between breast cancer molecular subtypes based on dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI). Materials and methods: In this institutional review board-approved single-center study, we analyzed DCE-MR images of 270 patients at our institution. Lesions of interest were identified by radiologists. The task was to automatically determine whether the tumor is of the Luminal A subtype or of another subtype based on the MR image patches representing the tumor. Three different deep learning approaches were used to classify the tumor according to their molecular subtypes: learning from scratch where only tumor patches were used for training, transfer learning where networks pre-trained on natural images were fine-tuned using tumor patches, and off-the-shelf deep features where the features extracted by neural networks trained on natural images were used for classification with a support vector machine. Network architectures utilized in our experiments were GoogleNet, VGG, and CIFAR. We used 10-fold crossvalidation method for validation and area under the receiver operating characteristic (AUC) as the measure of performance. Results: The best AUC performance for distinguishing molecular subtypes was 0.65 (95% CI:[0.57,0.71]) and was achieved by the off-the-shelf deep features approach. The highest AUC performance for training from scratch was 0.58 (95% CI:[0.51,0.64]) and the best AUC performance for transfer learning was 0.60 (95% CI:[0.52,0.65]) respectively. For the off-the-shelf approach, the features extracted from the fully connected layer performed the best. Conclusion: Deep learning may play a role in discovering radiogenomic associations in breast cancer.

研究の動機と目的

• DCE-MRI画像を用いて、深層学習モデルがLuminal A と非Luminal A の乳がんサブタイプを区別できるかを検証すること。
• 初期化から学習、トランスファー学習、オフザシェルフ深層特徴量の3つの深層学習戦略の性能を評価すること。
• 事前学習済みニューラルネットワークが医療画像データからレディオゲノム的特徴量を抽出する有用性を評価すること。
• 10分割交差検証とAUCを主な指標として用いて、モデルを検証すること。

提案手法

• 放射線科医によるラベル付けがなされた270例の患者のDCE-MRIスキャンが分析され、腫瘍パッチが抽出された。
• 3つの深層学習アプローチが適用された：腫瘍パッチ上でネットワークを初期化から学習、ImageNetで事前学習済みのネットワーク（GoogleNet、VGG、CIFAR）を微調整、事前に抽出された特徴量を事前学習済みネットワークから使用。
• オフザシェルフ手法では、事前学習済みネットワークの全結合層からの特徴量が、分類に使用するサポートベクターマシンの入力として用いられた。
• モデルの評価には、妥当性と一般化性能を確保するため10分割交差検証が用いられた。
• 受信者操作特性曲線の下側面積（AUC）が主な性能指標として使用された。
• ネットワークアーキテクチャには、医療画像分類に適応されたGoogleNet、VGG、CIFARが含まれた。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、DCE-MRI画像のみを用いて、乳がんの分子サブタイプを正確に分類できるか？
• RQ2 初期化から学習、トランスファー学習、オフザシェルフ特徴量抽出の各手法における性能の違いは何か？
• RQ3 どの深層学習アーキテクチャと特徴量層が、最良のレディオゲノム的分類性能を達成するか？
• RQ4 DCE-MRIには、事前学習済みの深層ニューラルネットワークが捉えることのできる顕著なレディオゲノム的信号が存在するか？

主な発見

• オフザシェルフ深層特徴量手法が、Luminal A 対非Luminal A サブタイプの区別において最高のAUC 0.65（95%信頼区間：[0.57, 0.71]）を達成した。
• オフザシェルフ手法で最も優れた性能を示した特徴量は、事前学習済みネットワークの全結合層から抽出された。
• 初期化から学習した手法はAUC 0.58（95%信頼区間：[0.51, 0.64]）を示し、事前学習なしでは限界的な性能であった。
• トランスファー学習はAUC 0.60（95%信頼区間：[0.52, 0.65]）を達成し、初期化から学習した手法を上回ったが、オフザシェルフ手法に劣った。
• 結果から、この文脈において、微調整またはランダム初期化されたネットワークよりも、事前学習済みの深層特徴量が、より効果的であることが示唆された。
• 全体として、深層学習は非侵襲的画像を用いて、乳がんにおけるレディオゲノム的関連を同定する可能性を示している。