[論文レビュー] Improving Prognostic Performance in Resectable Pancreatic Ductal Adenocarcinoma using Radiomics and Deep Learning Features Fusion in CT Images

Yucheng Zhang, Edrise M. Lobo-Mueller+4 more|arXiv (Cornell University)|Jul 10, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 49被引用数 4

ひとこと要約

本研究では、再発性膵汎細胞癌（PDAC）における生存予後予測を向上させるために、CT画像からの放射線学的特徴量とディープラーニング特徴量を統合する新しいリスクスコアベースの特徴量統合手法を提案する。この手法は予後予測性能を顕著に向上させ、放射線学的特徴量のみを用いた場合に比べて受診曲線下面積（AUC）が51%向上し、ディープラーニング特徴量のみを用いた場合に比べて16%向上した。

ABSTRACT

As an analytic pipeline for quantitative imaging feature extraction and analysis, radiomics has grown rapidly in the past a few years. Recent studies in radiomics aim to investigate the relationship between tumors imaging features and clinical outcomes. Open source radiomics feature banks enable the extraction and analysis of thousands of predefined features. On the other hand, recent advances in deep learning have shown significant potential in the quantitative medical imaging field, raising the research question of whether predefined radiomics features have predictive information in addition to deep learning features. In this study, we propose a feature fusion method and investigate whether a combined feature bank of deep learning and predefined radiomics features can improve the prognostics performance. CT images from resectable Pancreatic Adenocarcinoma (PDAC) patients were used to compare the prognosis performance of common feature reduction and fusion methods and the proposed risk-score based feature fusion method for overall survival. It was shown that the proposed feature fusion method significantly improves the prognosis performance for overall survival in resectable PDAC cohorts, elevating the area under ROC curve by 51% compared to predefined radiomics features alone, by 16% compared to deep learning features alone, and by 32% compared to existing feature fusion and reduction methods for a combination of deep learning and predefined radiomics features.

研究の動機と目的

• 予め定義された放射線学的特徴量とディープラーニング特徴量を統合することで、再発性膵汎細胞癌（PDAC）における予後予測性能が向上するかどうかを調査すること。
• 医療画像における放射線学的特徴量がディープラーニング特徴量を超えて追加の予測的価値を提供するかどうかという研究ギャップを埋めること。
• PDAC患者における全生存予測の正確性を向上させるために、新しい特徴量統合戦略を開発し、検証すること。
• 臨床的画像環境下で、提案された統合手法の性能を、従来の特徴量削減および統合手法と比較すること。

提案手法

• オープンソースの放射線学的ツールキットを用いて、術前CTスキャンから放射線学的特徴量（テクスチャ、形状、強度に基づく特徴量）を抽出した。
• 膵臓CT画像で微調整された畳み込みニューラルネットワーク（CNN）を用いて、階層的かつデータ駆動型の表現を学習するディープラーニング特徴量を抽出した。
• 各特徴量セットに予測リスクスコアを割り当てることで、放射線学的特徴量とディープラーニング特徴量を統合するリスクスコアベースの特徴量統合手法を提案した。
• 生存予測モデリングに最適化された統合特徴量空間を実現するため、特徴量選択および次元削減技術を適用した。
• 統合された特徴量セットを用いて生存予測モデル（例：コックス比例ハザードモデルまたはランダム生存フォレスト）を訓練し、全生存を予測した。
• 交差検証を用いてモデルを検証し、放射線学的特徴量のみまたはディープラーニング特徴量のみを用いたベースラインモデルと比較して、性能指標（例：AUC、Cインデックス）を評価した。

実験結果

リサーチクエスチョン

• RQ1 放射線学的特徴量とディープラーニング特徴量を統合することで、単独で使用する場合と比較して、再発性PDACにおける生存予測が向上するか？
• RQ2 提案されたリスクスコアベースの特徴量統合手法は、従来の特徴量統合および削減手法を上回る性能を示すか？
• RQ3 放射線学的特徴量は、膵臓CT画像におけるディープラーニング特徴量が捉える情報を超えて、予測的情報を提供するか？
• RQ4 臨床コhortにおいて、手作業で作成された放射線学的特徴量と学習されたディープラーニング特徴量を組み合わせることによる予後予測のインクリメンタル価値は何か？

主な発見

• 提案されたリスクスコアベースの特徴量統合手法は、全生存予測性能を顕著に向上させ、放射線学的特徴量のみを用いた場合に比べて受診曲線下面積（AUC）が51%向上した。
• ディープラーニング特徴量のみを用いた場合に比べて、AUCが16%向上し、放射線学的特徴量が価値ある予測的情報を追加することが示された。
• 従来の特徴量統合および削減手法を上回り、これらの従来手法よりもAUCが32%向上した。
• 統合された特徴量セットは、生存予測モデリングにおいてより高い予測精度と耐性を示し、両方の特徴量タイプからの補完的情報が予後予測性能を向上させることを示した。
• 結果から、放射線学的特徴量とディープラーニング特徴量は冗長ではなく、リスクスコア統合による統合により、優れた臨床的予後結果が得られると示唆された。