[論文レビュー] Multiparametric Deep Learning and Radiomics for Tumor Grading and Treatment Response Assessment of Brain Cancer: Preliminary Results

Vishwa S. Parekh, John Laterra+4 more|arXiv (Cornell University)|Jun 10, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 19被引用数 5

ひとこと要約

本研究では、T1WI、T2WI、FLAIR、DWI、PWIを含む多対照MRIとディープラーニングを統合した、マルチパラメトリック・ラジオミクス（mpRadiomic）フレームワークを提案し、脳腫瘍のグレーディングおよび治療反応評価の向上を図った。本フレームワークは、グレードIIとグレードIVの膠腫を区別する際、93%の感度と100%の特異度（AUC 0.95）を達成し、治療後における真正再発と偽再発を区別する際も93%のAUCを示した。

ABSTRACT

Radiomics is an exciting new area of texture research for extracting quantitative and morphological characteristics of pathological tissue. However, to date, only single images have been used for texture analysis. We have extended radiomic texture methods to use multiparametric (mp) data to get more complete information from all the images. These mpRadiomic methods could potentially provide a platform for stratification of tumor grade as well as assessment of treatment response in brain tumors. In brain, multiparametric MRI (mpMRI) are based on contrast enhanced T1-weighted imaging (T1WI), T2WI, Fluid Attenuated Inversion Recovery (FLAIR), Diffusion Weighted Imaging (DWI) and Perfusion Weighted Imaging (PWI). Therefore, we applied our multiparametric radiomic framework (mpRadiomic) on 24 patients with brain tumors (8 grade II and 16 grade IV). The mpRadiomic framework classified grade IV tumors from grade II tumors with a sensitivity and specificity of 93% and 100%, respectively, with an AUC of 0.95. For treatment response, the mpRadiomic framework classified pseudo-progression from true-progression with an AUC of 0.93. In conclusion, the mpRadiomic analysis was able to effectively capture the multiparametric brain MRI texture and could be used as potential biomarkers for distinguishing grade IV from grade II tumors as well as determining true-progression from pseudo-progression.

研究の動機と目的

• 複数のMRIシーケンスを活用して脳腫瘍の特徴を向上させるマルチパラメトリック・ラジオミクスフレームワークの開発。
• T1WI、T2WI、FLAIR、DWI、PWIからの補完的組織情報統合により、単一シーケンスラジオミクスの限界を克服すること。
• 定量的イメージング特徴を用いて非画像的分類法によりグレードII対グレードIVの膠腫を分類すること。
• 神経腫瘍学における主要な臨床的課題である治療後における真正再発と偽再発の区別。
• mpRadiomic特徴を脳腫瘍における個別化治療計画のための潜在的バイオマーカーとして確立すること。

提案手法

• mpRadiomicフレームワークは、T1強調、T2強調、FLAIR、拡散強調、灌流強調画像の5つのMRIシーケンスからラジオミクス特徴を抽出する。
• 各シーケンスからテクスチャ、強度、形状、ウェーブレットベースの記述子を抽出し、その後特徴選択と統合を実施する。
• 連結された特徴セットを用いてディープラーニングベースの分類器を学習させ、腫瘍グレードおよび治療反応パターンを区別する。
• マルチパラメトリック特徴シグネチャに基づいて腫瘍を分類するために、サポートベクターマシン（SVM）または類似分類器を用いる。
• クロスバリデーションおよび受信者リポーティング特性（ROC）解析を用いて特徴の重要度とモデルのパフォーマンスを評価する。
• 単一シーケンスアプローチを上回る予測性能を向上させるために、ラジオミクステクスチャ解析とディープラーニングを統合する。

実験結果

リサーチクエスチョン

• RQ1 マルチパラメトリック・ラジオミクスは、単一シーケンスラジオミクスと比較して、膠腫グレーディングの正確性を向上させることができるか？
• RQ2 mpRadiomic特徴は、多対照MRIを用いてグレードIIとグレードIVの膠腫を信頼性高く区別できるか？
• RQ3 本フレームワークは、治療後脳腫瘍患者における真正再発と偽再発を区別できるか？
• RQ4 複数のMRIシーケンスからの統合ラジオミクス特徴は、個々のシーケンスよりも優れたバイオマーカーを提供するか？
• RQ5 mpRadiomicフレームワークの診断的パフォーマンス（感度、特異度、AUC）は、膠腫グレーディングおよび進行状態評価においてどのように評価されるか？

主な発見

• mpRadiomicフレームワークは、グレードIIとグレードIVの膠腫を区別する際、93%の感度と100%の特異度（AUC 0.95）を達成した。
• 治療反応評価において、フレームワークは真正再発と偽再発を区別する際、AUC 0.93を達成した。
• 多対照MRIシーケンスの統合により、単一シーケンス解析と比較して特徴表現が顕著に向上した。
• 24例の小規模コhort（グレードII：8例、グレードIV：16例）において、本モデルは高い頑健性と一般化能を示した。
• 拡散強調（DWI）および灌流強調（PWI）シーケンスからのラジオミクス特徴が、腫瘍グレーディング性能に最も寄与した。
• 本フレームワークは、神経腫瘍学における臨床的意思決定支援のための非画像的で定量的バイオマーカーとして強い可能性を示している。