[論文レビュー] Multi-Phase Cross-modal Learning for Noninvasive Gene Mutation Prediction in Hepatocellular Carcinoma

Jiapan Gu, Ziyuan Zhao+11 more|arXiv (Cornell University)|May 8, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用数 15

ひとこと要約

本稿では、多段階の3次元CTスキャンと放射線科医がアノテートしたバイオマーカーを統合することで、肝細胞癌（HCC）における非侵襲的遺伝子変異を予測するマルチフェーズクロスモodalディープラーニングフレームワークを提案する。本手法は、特徴の集約と補助的バイオマーカー埋め込みを備えたマルチストリーム3次元ResNet-18アーキテクチャを用い、APOB、COL11A1、ATRX遺伝子において平均76.7%の精度を達成し、単一フェーズベースラインを上回る優れた性能を示し、放射線ゲノム学におけるマルチモーダル統合の価値を強調している。

ABSTRACT

Hepatocellular carcinoma (HCC) is the most common type of primary liver cancer and the fourth most common cause of cancer-related death worldwide. Understanding the underlying gene mutations in HCC provides great prognostic value for treatment planning and targeted therapy. Radiogenomics has revealed an association between non-invasive imaging features and molecular genomics. However, imaging feature identification is laborious and error-prone. In this paper, we propose an end-to-end deep learning framework for mutation prediction in APOB, COL11A1 and ATRX genes using multiphasic CT scans. Considering intra-tumour heterogeneity (ITH) in HCC, multi-region sampling technology is implemented to generate the dataset for experiments. Experimental results demonstrate the effectiveness of the proposed model.

研究の動機と目的

• 腫瘍内異質性（ITH）の課題に対処するため、多部位サンプリングを用いて代表的な腫瘍領域データを取得すること。
• 放射線科医がアノテートしたバイオマーカーと多段階CT画像を統合することで、HCCにおける非侵襲的遺伝子変異予測を向上させること。
• 予測性能を向上させるために、多段階クロスモーダル特徴を統合するエンドツーエンドのディープラーニングフレームワークを構築すること。
• 実世界の多施設HCCデータセットを用いて、診断および予測腫瘍学への臨床的妥当性を検証すること。

提案手法

• 4つのCTフェーズ（NC、ART、PV、DL）それぞれを独立して処理するマルチストリーム3次元ResNet-18ネットワークが、空間的および時間的特徴を抽出する。
• 全4フェーズの特徴が連結され、クロスフェーズ特徴の集約と精錬を目的としたシャロウCNNブロックを通過する。
• 放射線科医がアノテートしたバイオマーカー（例：腫瘍内血管の有無）が2値ベクトルとして符号化され、128ユニットの全結合層を介して埋め込まれる。
• 埋め込まれたバイオマーカー特徴が、最終分類の前に集約された画像特徴と連結され、バイナリークロスエントロピー損失を用いて学習される。
• 腫瘍内異質性（ITH）による誤ラベル化を軽減するため、多部位サンプリングからのセクターレベルラベルを用いてモデルを学習する。
• モデルの安定性と一般化性能を評価するため、患者ごとに1人を除いた交差検証（leave-one-out cross-validation）が適用される。

実験結果

リサーチクエスチョン

• RQ1 単一フェーズモデルと比較して、マルチフェーズクロスモーダルディープラーニングフレームワークはHCCにおける遺伝子変異予測精度を向上させることができるか？
• RQ2 放射線科医がアノテートしたバイオマーカーと多段階CTスキャンからのディープ特徴を統合することで、遺伝子変異予測の効果はどの程度向上するか？
• RQ3 多部位サンプリングは、腫瘍内異質性（ITH）がモデル学習および性能に与える影響をどの程度軽減できるか？
• RQ4 HCCにおける画像バイオマーカーと特定の遺伝子変異との間にどのような相関関係が存在するか？また、それらは将来の予測モデリングにどのように寄与できるか？

主な発見

• 提案されたモデルは、APOB、COL11A1、ATRX遺伝子の変異予測において平均76.7%の精度を達成し、すべての単一フェーズベースラインを上回った。
• バイオマーカーを含まないモデルでも77.3%の精度を達成しており、多段階特徴の統合自体が性能向上に顕著に寄与していることが示された。
• バイオマーカーの統合により、COL11A1（67.7%から71.7%へ）、ATRX（73.4%から76.5%へ）の予測精度が向上し、バイオマーカーの予測的価値が裏付けられた。
• 相関マップから、バイオマーカーと遺伝子変異の間で有意なペアワイズ相関が確認され、一部の変異はクラスタを形成しており、共通の生物学的パターンを示唆した。
• 相関マップの階層的クラスタリングにより、特定の遺伝子変異が共役的に制御されていることが示され、将来のモデリングにグラフニューラルネットワークの適用が有効であることを裏付けた。
• LOOCV（leave-one-out cross-validation）により、患者固有の評価において一貫した性能が確認され、モデルの安定性が裏付けられた。