[論文レビュー] Discovery Radiomics for Multi-Parametric MRI Prostate Cancer Detection

Audrey G. Chung, Mohammad Javad Shafiee+4 more|arXiv (Cornell University)|Sep 1, 2015

Radiomics and Machine Learning in Medical Imaging参考文献 38被引用数 13

ひとこと要約

本論文は、多因子的MRIデータから自動的にカスタムレディオミクス配列を生成する発見型レディオミクスフレームワークを提案し、前立腺がんの検出を向上させる。深層畳み込みネットワークを用いて特徴を学習することで、最先端の手作業によるレディオミクス配列よりも優れた性能を発揮し、感度64.00%、特異度82.48%、正答率73.65%を達成。感度および正答率において統計的に有意な向上を示した。

ABSTRACT

Prostate cancer is the most diagnosed form of cancer in Canadian men, and is the third leading cause of cancer death. Despite these statistics, prognosis is relatively good with a sufficiently early diagnosis, making fast and reliable prostate cancer detection crucial. As imaging-based prostate cancer screening, such as magnetic resonance imaging (MRI), requires an experienced medical professional to extensively review the data and perform a diagnosis, radiomics-driven methods help streamline the process and has the potential to significantly improve diagnostic accuracy and efficiency, and thus improving patient survival rates. These radiomics-driven methods currently rely on hand-crafted sets of quantitative imaging-based features, which are selected manually and can limit their ability to fully characterize unique prostate cancer tumour phenotype. In this study, we propose a novel extit{discovery radiomics} framework for generating custom radiomic sequences tailored for prostate cancer detection. Discovery radiomics aims to uncover abstract imaging-based features that capture highly unique tumour traits and characteristics beyond what can be captured using predefined feature models. In this paper, we discover new custom radiomic sequencers for generating new prostate radiomic sequences using multi-parametric MRI data. We evaluated the performance of the discovered radiomic sequencer against a state-of-the-art hand-crafted radiomic sequencer for computer-aided prostate cancer detection with a feedforward neural network using real clinical prostate multi-parametric MRI data. Results for the discovered radiomic sequencer demonstrate good performance in prostate cancer detection and clinical decision support relative to the hand-crafted radiomic sequencer. The use of discovery radiomics shows potential for more efficient and reliable automatic prostate cancer detection.

研究の動機と目的

• 手作業によるレディオミクス特徴量の限界を是正し、前立腺がんの特徴的腫瘍表現型を捉える。
• MRIを用いた前立腺がん診断における観察者間・観察者内ばらつきを低減する。
• 多因子的MRIを用いたコンピュータ支援前立腺がん検出における診断の正確性と効率を向上させる。
• 前立腺がんの特徴に適合した、データ駆動型のフレームワークを構築し、レディオミクス配列を発見する。
• 高度なレディオミクス特徴量の発見を通じて、より信頼性が高く、一貫性があり、個別化されたがんリスク分類を実現する。

提案手法

• 深層畳み込みネットワークを用いて多因子的MRIデータから直接カスタムレディオミクス配列を学習する発見型レディオミクスフレームワークを提案する。
• 発見された配列によって抽出されたレディオミクス特徴量を用いて、順方向型ニューラルネットワークを訓練し、腫瘍候補の分類を実施する。
• 実臨床におけるMP-MRIデータの性能評価のため、1人を除いた交差検証戦略（leave-one-patient-out）を採用する。
• 健康組織とがん組織の間の特徴量分離性を評価するためにフィッシャー基準を用いる。
• ベースラインの手作業によるレディオミクス配列と比較して、性能差の統計的有意性を検証するため、対応した両側t検定を適用する。
• 従来のレディオミクスモデルを超える高次元で抽象的な画像特徴を生成するための深層特徴抽出パイプラインを活用する。

実験結果

リサーチクエスチョン

• RQ1 発見型レディオミクスフレームワークは、手作業による特徴量よりも、健康組織とがん組織の区別をよりよく行うレディオミクス配列を生成できるか？
• RQ2 最先端の手作業によるレディオミクス配列と比較して、発見されたレディオミクス配列の感度、特異度、正答率の性能はどの程度か？
• RQ3 既存の手法と比較して、診断性能の向上が統計的に有意であるか？
• RQ4 発見されたレディオミクス配列は、悪性組織と良性組織の特徴量分離性をどの程度向上させるか？
• RQ5 従来のレディオミクス手法と比較して、本フレームワークは主要な診断指標においてよりバランスの取れた一貫性のある性能を示せるか？

主な発見

• 発見されたレディオミクス配列は、腫瘍候補を分類する際、感度64.00%、特異度82.48%、正答率73.65%を達成し、両方の手作業による配列[30]および[31]を上回った。
• 感度の向上は、[30]と比較して有意（p = 0.0029）、[31]と比較しても有意（p = 0.0277）であり、がん組織の検出能の向上を示した。
• 正答率の向上は、[30]と比較して有意（p = 0.0133）であり、全体的な分類性能の向上を示した。
• 発見されたレディオミクス配列は、最高のフィッシャー基準スコア（0.0712）を達成し、健康組織とがん組織の特徴量分離性が優れていることを示した。
• 手作業による配列と比較して、本手法は指標間のトレードオフ（例：高特異度だが低感度）を示さず、より一貫性のある性能を示した。
• 結果から、発見型レディオミクスは、前立腺がんの潜在的表現型多様性をよりよく反映する生物学的に関連性の高い腫瘍特異的特徴量を生成できることを示唆している。