[論文レビュー] Is it Possible to Predict MGMT Promoter Methylation from Brain Tumor MRI Scans using Deep Learning Models?

Numan Saeed, Shahad Hardan+2 more|arXiv (Cornell University)|Jan 16, 2022

Brain Tumor Detection and Classification被引用数 7

ひとこと要約

本研究では、BraTS 2021 データを用いて、脳腫瘍のMRIスキャンからMGMTプロモーターのメチル化状態を深層学習モデルが予測できるかを調査している。2D/3D CNN、自己教師あり学習、ビジョントランスフォーマーをテストしたが、すべてのモデルがAUCスコア約0.60にとどまり、ランダムな当たりの水準にしか達しない。これは、MRIスキャンだけから信頼できる予測信号が存在しないことを示している。

ABSTRACT

Glioblastoma is a common brain malignancy that tends to occur in older adults and is almost always lethal. The effectiveness of chemotherapy, being the standard treatment for most cancer types, can be improved if a particular genetic sequence in the tumor known as MGMT promoter is methylated. However, to identify the state of the MGMT promoter, the conventional approach is to perform a biopsy for genetic analysis, which is time and effort consuming. A couple of recent publications proposed a connection between the MGMT promoter state and the MRI scans of the tumor and hence suggested the use of deep learning models for this purpose. Therefore, in this work, we use one of the most extensive datasets, BraTS 2021, to study the potency of employing deep learning solutions, including 2D and 3D CNN models and vision transformers. After conducting a thorough analysis of the models' performance, we concluded that there seems to be no connection between the MRI scans and the state of the MGMT promoter.

研究の動機と目的

• MRIスキャンのみを用いて、深層学習モデルがMGMTプロモーターのメチル化状態を正確に予測できるかどうかを検証すること。
• BraTS 2021 データセット上で、2Dおよび3D CNN、ビジョントランスフォーマー、自己教師あり学習を含む多様なアーキテクチャの性能を評価すること。
• MRIスキャン内の放射線的特徴が、膠芽細胞性頭痛腫瘍の治療反応の主要バイオマーカーであるMGMTプロモーターのメチル化状態と相関するかどうかを調査すること。
• モデルの解釈可能性と特徴の学習を評価し、モデルがメチル化型と非メチル化型の症例を区別できるかどうかを検証すること。

提案手法

• マルチシーケンスMRIスキャン（T1、T2、FLAIR、造影後）および臨床アノテーションを含むBraTS 2021 データセットを用いた。
• 2Dおよび3D ResNet-10、ビジョントランスフォーマー（ViT）、自己教師あり学習アプローチを含む複数の深層学習アーキテクチャを訓練および評価した。
• 妥当性と過学習の低減を目的に、5分割交差検証と10種類の異なるランダムシードを適用した。
• 訓練にはバイナリ・クロスエントロピー（BCE）損失を使用し、モデル評価にはAUC、正確度、適合率、再現率を計算した。
• 特徴マップの解釈と潜在表現におけるクラス分離性の評価のためにt-SNE可視化を実施した。
• モデル収束の診断およびランダム予測行動の特定のため、訓練損失曲線を分析した。

実験結果

リサーチクエスチョン

• RQ1 MRIスキャンのみを用いて訓練された深層学習モデルは、臨床的に有用な正確度でMGMTプロモーターのメチル化状態を予測できるか？
• RQ2 2Dおよび3D畳み込みニューラルネットワーク、ビジョントランスフォーマー、自己教師ありモデルは、このタスクのためのMRIデータから判別可能な特徴を学習できるか？
• RQ3 メチル化型と非メチル化型の症例間で、モデルの性能に統計的に有意な差があるか？
• RQ4 モデルの隠れ層における学習済み特徴は、2つのメチル化クラス間で意味のある分離を示しているか？
• RQ5 観察された性能は、ランダム予測であるか、それともデータ内に相関がない根本的要因によるものか？

主な発見

• 全テストモデルがAUC値0.54～0.59の間で推定され、ランダムな当てずちの水準にしか達しないことが示された。
• 全モデルの平均訓練損失は約0.70に安定し、クラス分布がバランスしている場合の理論的ランダム損失0.69に近く、ほぼ一致した。
• 特徴マップのt-SNE可視化では、深層部でクラスの分離が確認されず、モデルが判別可能な表現を学習できていないことが裏付けられた。
• 全モデルにおいて、両クラスの予測分布が著しく重複しており、一貫した意思決定境界は観察されなかった。
• 異なるランダムシード間でモデル性能に顕著なばらつきが見られ、不安定さと一般化能力の欠如が示された。
• 結果から、BraTS 2021 データセットにおいて、MRIの外観とMGMTプロモーターのメチル化状態との間に信頼できる相関関係は存在しないと考えられる。