[論文レビュー] Intentional deep overfit learning (IDOL): A novel deep learning strategy for adaptive radiation therapy

Jaehee Chun|arXiv (Cornell University)|Jan 1, 2022

Advanced Radiotherapy Techniques参考文献 20被引用数 32

ひとこと要約

本論文は、適応的放射線治療（ART）におけるパフォーマンス向上を目的として、患者固有の事前データに意図的に過学習させる新しい深層学習フレームワーク、Intentional Deep Overfit Learning（IDOL）を提案する。まず多様なデータで一般化モデルを訓練し、次に1人の患者の拡張済み事前情報でファインチューニングすることで、IDOLは顕著なパフォーマンス向上を達成した—Diceスコアが0.088上昇し、MRIスーパーレゾリューションのMAEが40%低下し、合成CTのMAEが65%削減された。これは、個人化され、データ効率の良いARTアプリケーションにおける潜在的可能性を示している。

ABSTRACT

Purpose: Applications of deep learning (DL) are essential to realizing an effective adaptive radiotherapy (ART) workflow. Despite the promise demonstrated by DL approaches in several critical ART tasks, there remain unsolved challenges to achieve satisfactory generalizability of a trained model in a clinical setting. Foremost among these is the difficulty of collecting a task-specific training dataset with high-quality, consistent annotations for supervised learning applications. In this study, we propose a tailored DL framework for patient-specific performance that leverages the behavior of a model intentionally overfitted to a patient-specific training dataset augmented from the prior information available in an ART workflow-an approach we term Intentional Deep Overfit Learning (IDOL). Methods: Implementing the IDOL framework in any task in radiotherapy consists of two training stages: (1) training a generalized model with a diverse training dataset of N patients, just as in the conventional DL approach, and (2) intentionally overfitting this general model to a small training dataset-specific the patient of interest (N+1) generated through perturbations and augmentations of the available task- and patient-specific prior information to establish a personalized IDOL model. The IDOL framework itself is task-agnostic and is, thus, widely applicable to many components of the ART workflow, three of which we use as a proof of concept here: the autocontouring task on replanning CTs for traditional ART, the MRI super-resolution (SR) task for MRI-guided ART, and the synthetic CT (sCT) reconstruction task for MRI-only ART. Results: In the replanning CT autocontouring task, the accuracy measured by the Dice similarity coefficient improves from 0.847 with the general model to 0.935 by adopting the IDOL model. In the case of MRI SR, the mean absolute error (MAE) is improved by 40% using the IDOL framework over the conventional model. Finally, in the sCT reconstruction task, the MAE is reduced from 68 to 22 HU by utilizing the IDOL framework. Conclusions: In this study, we propose a novel IDOL framework for ART and demonstrate its feasibility using three ART tasks. We expect the IDOL framework to be especially useful in creating personally tailored models in situations with limited availability of training data but existing prior information, which is usually true in the medical setting in general and is especially true in ART.

研究の動機と目的

• 適応的放射線治療（ART）における限られた高品質なトレーニングデータの課題を、患者固有の事前情報の活用によって解決すること。
• 一般化を重視する従来の深層学習の限界を乗り越え、患者固有のパフォーマンスを向上させること。
• 過学習を個人化のツールとして意図的に用いる医療AIの新しいパラダイムを提唱すること。
• 自動Contouring、MRIスーパーレゾリューション、合成CT生成の3つの重要なARTタスクにおいて、IDOLフレームワークを検証すること。

提案手法

• IDOLフレームワークは2段階のトレーニングステージから構成される：まず、N名の患者からなる多様なデータセットで一般化モデルを訓練する。
• 次に、患者の事前イメージングおよびコンター情報の摂動と増幅によって得られた、小さな患者固有のデータセットに対して、意図的に過学習させる。
• このフレームワークはタスクに依存せず、放射線療法における任意の画像対画像変換またはセグメンテーションタスクに適用可能である。
• 計画用CT、コンター、または診断スキャンなどの既存の事前知識を活用し、患者固有の訓練サンプルを生成することで、1人の患者に対するモデルの忠実性を向上させる。
• DiceやMAEなどのタスク固有の指標を最適化する損失関数を用いた、標準的な深層学習アーキテクチャ（例：U-Netの変種）を採用する。
• 本アプローチはタスクごとのハイパーパrameterチューニングを回避し、制御された過学習を通じて患者固有のパターンを記憶・活用するモデルの能力に依存する。

実験結果

リサーチクエスチョン

• RQ1 患者固有の事前データに意図的に過学習させることで、適応的放射線治療タスクにおける深層学習モデルのパフォーマンスが顕著に向上するか？
• RQ2 臨床的放射線療法で一般的な低データ環境において、IDOLフレームワークは従来の一般化重視の深層学習モデルを上回る性能を示すか？
• RQ3 事前イメージングおよびコンター情報は、深層学習のための効果的な患者固有のトレーニングセットを生成するために、どの程度拡張可能か？
• RQ4 自動Contouring、MRIスーパーレゾリューション、合成CT生成といった多様なARTタスクに、IDOLフレームワークは一般化可能か？
• RQ5 IDOLはタスク固有のハイパーパrameterチューニングなしで高いパフォーマンスを達成できるか。これにより、臨床現場への導入が可能になるか？

主な発見

• 自動Contouringタスクにおいて、再計画CTでDice相似係数（DSC）は0.847 ± 0.031から0.935 ± 0.026に向上した。
• MRIスーパーレゾリューションでは、平均絶対誤差（MAE）が4.18 ± 0.86から2.50 ± 0.54に低下し、40%の改善を達成した。
• 合成CT生成では、MAEが68 ± 16 HUから22 ± 5 HUに低下し、67%の削減を達成した。
• IDOLフレームワークは、タスク固有のハイパーパrameterチューニングなしでこれらの結果を達成しており、広範な適用可能性を示した。
• パーソナライズドモデルのトレーニング時間は最小限で、自動Contouringで平均20秒、MRI SRで93秒、sCT生成で3時間であった。
• 本手法は3つのタスクすべてで一貫したパフォーマンス向上を示し、ARTにおける患者固有の深層学習戦略としての実現可能性を検証した。