[論文レビュー] Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance Learning and Radiomics

Junhua Chen, Haiyan Zeng+5 more|arXiv (Cornell University)|Apr 29, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 43被引用数 5

ひとこと要約

本論文は、肺がん診断をより臨床的実践に即した複数の結節分類としてモデル化する、ラジオミクス特徴量を統合した深層注意ベースの複数インスタンス学習（MIL）フレームワークを提案する。AUC 0.842（SEM 0.074）を達成し、新規のバッグシミュレーションオーバースマピング戦略を用いて小規模で不均衡なデータセットでもベースラインMIL手法を上回る性能を発揮するとともに、顕著な結節を強調することで解釈可能性を向上させた。

ABSTRACT

Early diagnosis of lung cancer is a key intervention for the treatment of lung cancer computer aided diagnosis (CAD) can play a crucial role. However, most published CAD methods treat lung cancer diagnosis as a lung nodule classification problem, which does not reflect clinical practice, where clinicians diagnose a patient based on a set of images of nodules, instead of one specific nodule. Besides, the low interpretability of the output provided by these methods presents an important barrier for their adoption. In this article, we treat lung cancer diagnosis as a multiple instance learning (MIL) problem in order to better reflect the diagnosis process in the clinical setting and for the higher interpretability of the output. We chose radiomics as the source of input features and deep attention-based MIL as the classification algorithm.The attention mechanism provides higher interpretability by estimating the importance of each instance in the set for the final diagnosis.In order to improve the model's performance in a small imbalanced dataset, we introduce a new bag simulation method for MIL.The results show that our method can achieve a mean accuracy of 0.807 with a standard error of the mean (SEM) of 0.069, a recall of 0.870 (SEM 0.061), a positive predictive value of 0.928 (SEM 0.078), a negative predictive value of 0.591 (SEM 0.155) and an area under the curve (AUC) of 0.842 (SEM 0.074), outperforming other MIL methods.Additional experiments show that the proposed oversampling strategy significantly improves the model's performance. In addition, our experiments show that our method provides an indication of the importance of each nodule in determining the diagnosis, which combined with the well-defined radiomic features, make the results more interpretable and acceptable for doctors and patients.

研究の動機と目的

• 肺がん診断を単一結節分類として扱う既存のCADシステムが臨床的実践と乖離している問題に対処すること。
• 最終診断意思決定に寄与する結節を特定することで、モデルの解釈可能性を向上させること。
• 典型的な肺がん診断における小規模で不均衡なデータセットでの性能を、新規のデータ拡張戦略により向上させること。
• 深層注意メカニズムと複数インスタンス学習フレームワークを統合し、ラジオミクス特徴量を組み合わせることで、堅牢で臨床的関連性の高い分類を実現すること。

提案手法

• 各患者を肺結節の「バッグ」としてモデル化し、各結節はCTスキャンから抽出されたラジオミクス特徴量で表現される。
• 最終診断予測における個々の結節の重要度重みを学習するために、複数インスタンス学習フレームワーク内に深層注意機構を適用する。
• 訓練データにおける少数クラスのオーバースマピングを改善するため、新規のバッグシミュレーション手法を導入する。
• グローバルな注意プーリング層を用いて結節レベルの特徴を患者レベルの予測に集約し、重要な結節を強調することで解釈可能性を向上させる。
• 一貫性と臨床的関連性を確保するため、標準化されたパイプラインを用いてラジオミクス特徴量を抽出する。
• 注意正則化を施した交差エントロピー損失を用いて、エンドツーエンドでフレームワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 注意メカニズムを備えた複数インスタンス学習フレームワークは、単一結節分類と比較して、臨床的診断プロセスをよりよく反映できるか？
• RQ2 深層注意とラジオミクス特徴量を統合することで、肺がん検出における診断性能と解釈可能性が向上するか？
• RQ3 提案されたバッグシミュレーション手法は、小規模で不均衡な肺がんデータセットにおけるモデル性能向上にどの程度効果的か？
• RQ4 注意重みは、診断を決定づける結節を臨床的に意味のある洞察をもって特定できるか？

主な発見

• 提案手法は、テストセットにおいて平均正解率 0.807（SEM 0.069）を達成した。
• 同モデルは再現率 0.870（SEM 0.061）を示し、陽性例の検出感度が優れていることを示した。
• 陽性予測値は 0.928（SEM 0.078）に達し、陽性予測に対する高い信頼性を示した。
• 受検者操作特性曲線下積分（AUC）は 0.842（SEM 0.074）であり、ベースラインMIL手法を上回った。
• 提案されたバッグシミュレーションオーバースマピング戦略は、クラス不均衡の処理において顕著にモデル性能を向上させた。
• 注意重みにより、最も影響力のある結節が明確に特定され、臨床的信頼性と受容性が向上した。