[論文レビュー] Explainable Deep Learning for Tumor Dynamic Modeling and Overall Survival Prediction using Neural-ODE

Mark Laurie, James Lu|arXiv (Cornell University)|Aug 2, 2023

Radiomics and Machine Learning in Medical ImagingMedicine被引用数 3

ひとこと要約

本論文では、縦断的サイズデータから腫瘍成長ダイナミクスを学習するための薬理学的制約付きディープラーニングモデルであるTumor Dynamic Neural-ODE（TDNODE）を紹介する。時間における一般化された同次性を課すことにより、TDNODEは解釈可能な動的反応速度指標を生成し、すら短縮されたデータからでも全体生存を高い精度で予測可能であり、個別化された腫瘍学的治療計画を可能にする。

ABSTRACT

While tumor dynamic modeling has been widely applied to support the development of oncology drugs, there remains a need to increase predictivity, enable personalized therapy, and improve decision-making. We propose the use of Tumor Dynamic Neural-ODE (TDNODE) as a pharmacology-informed neural network to enable model discovery from longitudinal tumor size data. We show that TDNODE overcomes a key limitation of existing models in its ability to make unbiased predictions from truncated data. The encoder-decoder architecture is designed to express an underlying dynamical law which possesses the fundamental property of generalized homogeneity with respect to time. Thus, the modeling formalism enables the encoder output to be interpreted as kinetic rate metrics, with inverse time as the physical unit. We show that the generated metrics can be used to predict patients' overall survival (OS) with high accuracy. The proposed modeling formalism provides a principled way to integrate multimodal dynamical datasets in oncology disease modeling.

研究の動機と目的

• 腫瘍ダイナミクスモデリングにおける予測精度の向上を目的とする。
• 限られた縦断的データから患者固有の腫瘍ダイナミクスを学習することで、個別化された治療を可能とする。
• 腫瘍サイズ測定値が途中で切断された場合でも、予測が偏らないモデルの開発を目的とする。
• ディープラーニングから解釈可能で物理的に意味のある動的反応速度指標を生成することを目的とする。
• 原理的な形式を用いて、腫瘍学的モデリングにおけるマルチモodalなダイナミカルデータセットの統合を実現することを目的とする。

提案手法

• モデルは、腫瘍サイズの軌道から内在する力学法則を学習するため、Neural-ODEを内蔵したエンコーダ・デコーダアーキテクチャを採用する。
• 力学系は時間に関する一般化された同次性を満たすように制約され、物理的整合性が保証される。
• エンコーダの出力は、逆時間単位を持つ反応速度指標として解釈され、生物学的解釈可能性が向上する。
• モデルは縦断的腫瘍体積データ上でエンドツーエンドに訓練され、ダイナミクスの再構築と生存予測が行われる。
• アーキテクチャは、データが早期に切断された場合でも外挿可能で、偏りのない予測を可能にする。
• 薬理学的原則をニューラルネットワーク構造に統合することで、生物学的妥当性を確保する。

実験結果

リサーチクエスチョン

• RQ1 スパースで切断された縦断的腫瘍サイズデータから、高精度な予測を達成できるディープラーニングモデルは構築可能か？
• RQ2 モデルは、内在する生物学的ダイナミクスを反映する解釈可能な反応速度指標を生成できるか？
• RQ3 モデルが内在する一般化された同次性の性質が、一般化性能の向上と生存予測におけるバイアス低減に寄与するか？
• RQ4 学習された指標は、多様な患者コhortにおいて全体生存を高い精度で予測できるか？
• RQ5 モデルは、腫瘍学的モデリングにおけるマルチモーダルなダイナミカルデータセットをどの程度効果的に統合できるか？

主な発見

• TDNODEは、データが切断されていても、縦断的腫瘍サイズ測定値のみを用いて全体生存予測に高い精度を達成する。
• モデルのエンコーダ出力は、逆時間単位を持つ解釈可能な反応速度指標であり、腫瘍の内在的ダイナミクスを反映している。
• モデルは、データが途中で切断された場合でも偏りのない予測を維持し、従来手法の主な限界を克服している。
• 力学系の一般化された同次性の性質により、時間軸にわたる一貫したスケーリングが保証され、モデルのロバスト性が向上する。
• フレームワークにより、腫瘍学的モデリングにおけるマルチモーダルなダイナミカルデータセットの原理的統合が可能になる。
• 本手法は生存予測において優れた性能を示しており、個別化された治療計画における臨床的有用性が示唆される。