[論文レビュー] Lymph Node Graph Neural Networks for Cancer Metastasis Prediction

Michal Kazmierski, Benjamin Haibe‐Kains|arXiv (Cornell University)|Jun 3, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 24被引用数 7

ひとこと要約

本論文では、頭頸部がんにおけるリンパ節（LN）転移の広がりを、転移性LNと原発巣の解剖学的関係をグラフとして表現することでモデル化するグラフニューラルネットワーク（Gated-GCN）を提案する。本モデルは、個々のLN特徴とそれらの接続性をエッジゲーテッド畳み込みとソフトアテンション機構を用いて統合することで、従来の予後因子およびグラフに依存しないモデルを上回り、2年以内の遠隔転移予測でAUROC 0.757、生涯リスク予測でC-index 0.725を達成した。

ABSTRACT

Predicting outcomes, such as survival or metastasis for individual cancer patients is a crucial component of precision oncology. Machine learning (ML) offers a promising way to exploit rich multi-modal data, including clinical information and imaging to learn predictors of disease trajectory and help inform clinical decision making. In this paper, we present a novel graph-based approach to incorporate imaging characteristics of existing cancer spread to local lymph nodes (LNs) as well as their connectivity patterns in a prognostic ML model. We trained an edge-gated Graph Convolutional Network (Gated-GCN) to accurately predict the risk of distant metastasis (DM) by propagating information across the LN graph with the aid of soft edge attention mechanism. In a cohort of 1570 head and neck cancer patients, the Gated-GCN achieves AUROC of 0.757 for 2-year DM classification and $C$-index of 0.725 for lifetime DM risk prediction, outperforming current prognostic factors as well as previous approaches based on aggregated LN features. We also explored the importance of graph structure and individual lymph nodes through ablation experiments and interpretability studies, highlighting the importance of considering individual LN characteristics as well as the relationships between regions of cancer spread.

研究の動機と目的

• 標準的な臨床的および画像診断的特徴を超えたマルチモodalデータ統合により、頭頸部がん（HNC）における遠隔転移（DM）の予測を改善すること。
• 転移性リンパ節（LNs）間の空間的および解剖学的関係をグラフ構造としてモデル化し、疾患の広がり様式を捉えること。
• 集約されたLN特徴や臨床的要因に依存する従来の手法を上回る、グラフベースの機械学習フレームワークを開発すること。
• 解釈可能性およびアブレーションスタディを通じて、個々のLNとグラフトポロジーがモデル予測に与える寄与度を調査すること。

提案手法

• ノードが原発巣および転移性LNを表す患者固有の無向グラフを構築し、3次元重心距離に基づいてK近傍法または完全接続性を用いてエッジを設定した。
• 各ノードに11個のラジオミクス特徴、重心座標、中線からの符号付き距離、およびLNレベル（解剖学的位置）を含む特徴ベクトルを割り当てた。
• 学習可能なアテンション重みを用いて、接続されたノード間のメッセージパッシングを動的に制御するエッジゲーテッドグラフ畳み込みネットワーク（Gated-GCN）を適用した。
• 年齢、ステージなどの臨床的メタデータを、2年以内のDM分類および生涯リスク予測の両タスクにおけるマルチタスク学習を通じて、グラフ埋め込み特徴と統合した。
• 特徴の寄与度を計算し、予測におけるノードレベルの重要性を評価するために、統合勾配を用いた解釈可能性を実装した。
• 1,570例のHNC患者（259例のDMイベント）を対象に、5分割交差検証を用いてモデルを訓練した。

実験結果

リサーチクエスチョン

• RQ1 転移性リンパ節間の解剖学的接続性をモデル化することで、頭頸部がんにおける遠隔転移の予測が向上するか？
• RQ2 個々のLN画像特徴とそれらの関係性を含めた場合と、集約されたLN特徴のみを用いた場合とを比較した場合、予後的性能にどのような差が生じるか？
• RQ3 個々のリンパ節とグラフ構造の両方が、モデルの予測精度に果たす相対的寄与度はどの程度か？
• RQ4 画像バイオマーカーと臨床的要因が、モデルの予測にどの程度共同で影響を及えるか？

主な発見

• Gated-GCNは2年以内の遠隔転移予測でAUROC 0.757を達成し、グラフに依存しないニューラルネットワークベースライン（AUROC = 0.726）を顕著に上回った。
• 生涯リスク予測ではC-index 0.725を達成し、臨床要因のみのベースライン（C-index = 0.648）を上回った。
• アブレーションスタディの結果、グラフ構造と個々のLN特徴の両方が性能向上に顕著に寄与しており、完全接続性グラフを用いた場合に最も優れた結果が得られた。
• 解釈可能性解析により、一部の個々のリンパ節が原発巣よりも60％以上高い寄与度スコアを示し、予後的重要性にばらつきがあることが明らかになった。
• モデルは画像の不均一性特徴2つと領域縁の測定値を、一貫して高い重要度を持つ特徴として同定した。
• K=2、K=3、完全接続性の異なるグラフトポロジーにおいても性能が安定しており、エッジゲーティング機構がさまざまな接続パターンを効果的に処理していることが示された。