[論文レビュー] Machine-learning-based Classification of Lower-grade gliomas and High-grade gliomas using Radiomic Features in Multi-parametric MRI

Ge Cui, Jiwoong Jeong+7 more|arXiv (Cornell University)|Nov 22, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 33被引用数 6

ひとこと要約

本研究では、多モodal MRI（T1、T1c、T2、FLAIR）からの画像診断的特徴を用いた機械学習手法を開発し、低悪性度膠腫瘍（LGG）と高悪性度膠腫瘍（HGG）を分類した。t検定およびLASSOによる特徴選択を適用し、ランダムフォレスト分類器を用いた結果、91.3%の正確性とAUC 0.956を達成し、膠腫瘍のグレーディングにおいて高い診断性能を示した。

ABSTRACT

Objectives: Glioblastomas are the most aggressive brain and central nervous system (CNS) tumors with poor prognosis in adults. The purpose of this study is to develop a machine-learning based classification method using radio-mic features of multi-parametric MRI to classify high-grade gliomas (HGG) and low-grade gliomas (LGG). Methods: Multi-parametric MRI of 80 patients, 40 HGG and 40 LGG, with gliomas from the MICCAI BRATs 2015 training database were used in this study. Each patient's T1, contrast-enhanced T1, T2, and Fluid Attenuated Inversion Recovery (FLAIR) MRIs as well as the tumor contours were provided in the database. Using the given contours, radiomic features from all four multi-parametric MRIs were extracted. Of these features, a feature selection process using two-sample T-test and least absolute shrinkage, selection operator (LASSO), and a feature correlation threshold was applied to various combinations of T1, contrast-enhanced T1, T2, and FLAIR MRIs separately. These selected features were then used to train, test, and cross-validate a random forest to differentiate HGG and LGG. Finally, the classification accuracy and area under the curve (AUC) were used to evaluate the classification method. Results: Optimized parameters showed that on average, the overall accuracy of our classification method was 0.913 or 73 out of 80 correct classifications, 36/40 for HGG and 37/40 for LGG, with an AUC of 0.956 based on the combination with FLAIR, T1, T1c and T2 MRIs. Conclusion: This study shows that radio-mic features derived from multi-parametric MRI could be used to accurately classify high and lower grade gliomas. The radio-mic features from multi-parametric MRI in combination with even more advanced machine learning methods may further elucidate the underlying tumor biology and response to therapy.

研究の動機と目的

• 多モダリティMRIからの画像診断的特徴を用いて、非侵襲的かつ機械学習ベースの方法で高悪性度膠腫瘍（HGG）と低悪性度膠腫瘍（LGG）を区別する手法を開発すること。
• 定量的画像特徴を活用することで、従来の放射線的診断を上回る膠腫瘍グレーディングの正確性を向上させること。
• T1、T1c、T2、FLAIRの複数のMRIシーケンスにおける画像診断的特徴の性能を評価し、HGGとLGGを区別する能力を検証すること。
• 統計的および正則化手法を用いて、最適な分類を実現するMRIシーケンスと特徴の組み合わせを同定すること。
• 画像診断的特徴と機械学習を組み合わせることで、膠腫瘍診断の向上と臨床意思決定支援の可能性を示すこと。

提案手法

• MICCAI BRATS 2015データベースに収録された80例の膠腫瘍患者（HGG 40例、LGG 40例）から、T1、対照増強T1（T1c）、T2、FLAIRの4つのMRIシーケンスに画像診断的特徴を抽出した。
• 次元削減とモデルの汎化性能向上を目的として、2標本t検定および最小絶対値縮小選択法（LASSO）を用いた特徴選択を実施した。
• 多重共線性を回避するため、特徴間の相関係数のしきい値を設定し、相関が強い特徴を除去した。
• 個々のMRIシーケンスおよび複数シーケンスの組み合わせから選択された特徴を用いて、ランダムフォレスト分類器を訓練し、HGGとLGGを区別した。
• モデルの頑健性を評価し、過学習を回避するため、10分割交差検証を実施した。
• 分類の正確性と受信者リポーチ曲線下積分（AUC）を用いて性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 多モダリティMRIからの画像診断的特徴を機械学習で用いることで、高悪性度膠腫瘍（HGG）と低悪性度膠腫瘍（LGG）を正確に区別できるか？
• RQ2 T1、T1c、T2、FLAIRのどのMRIシーケンスの組み合わせが、膠腫瘍グレーディングにおいて最高の分類性能を示すか？
• RQ3 t検定およびLASSOといった特徴選択手法は、分類正確性の向上と過学習の低減にどの程度効果的か？
• RQ4 どの画像診断的特徴の組み合わせが、膠腫瘍グレーディングの診断正確性を最大限に高めるか？
• RQ5 画像診断的特徴に基づく機械学習モデルは、従来の放射線的診断による膠腫瘍グレード評価をどの程度上回るか？

主な発見

• 提案手法は全体で91.3%の分類正確性を達成し、80例中73例の膠腫瘍症例を正しく同定した。
• モデルは40例中36例のHGG症例、40例中37例のLGG症例を正しく分類し、両グレードで優れた性能を示した。
• 受信者リポーチ曲線下積分（AUC）は0.956に達し、HGGとLGGの間の高い識別能力を示した。
• 最高の性能は、FLAIR、T1、T1c、T2のMRIシーケンスの組み合わせで達成され、多モダリティ画像診断の価値が浮き彫りになった。
• t検定およびLASSOを用いた特徴選択は、特徴空間を効果的に削減しながらも、高い予測正確性を維持した。
• 結果から、多モダリティMRIからの画像診断的特徴は、膠腫瘍グレーディングの信頼できる非侵襲的バイオマーカーとして機能することが示唆された。