[論文レビュー] SISC: End-to-end Interpretable Discovery Radiomics-Driven Lung Cancer Prediction via Stacked Interpretable Sequencing Cells

Vignesh Sankar, Devinder Kumar+3 more|arXiv (Cornell University)|Jan 15, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 61被引用数 6

ひとこと要約

本論文では、CTスキャンからのエンド・ツー・エンドのラジオミクス駆動型肺がん予測のための、深層スタック型解釈可能シーケンシングセルアーキテクチャ、SISCを提案する。データから高 discriminative ラジオミック特徴量を直接学習し、重要な応答マップを生成することで、SISCは解釈可能で透明な意思決定を提供する一方で、悪性腫瘍分類において最先端の性能を達成した。

ABSTRACT

Objective: Lung cancer is the leading cause of cancer-related death worldwide. Computer-aided diagnosis (CAD) systems have shown significant promise in recent years for facilitating the effective detection and classification of abnormal lung nodules in computed tomography (CT) scans. While hand-engineered radiomic features have been traditionally used for lung cancer prediction, there have been significant recent successes achieving state-of-the-art results in the area of discovery radiomics. Here, radiomic sequencers comprising of highly discriminative radiomic features are discovered directly from archival medical data. However, the interpretation of predictions made using such radiomic sequencers remains a challenge. Method: A novel end-to-end interpretable discovery radiomics-driven lung cancer prediction pipeline has been designed, build, and tested. The radiomic sequencer being discovered possesses a deep architecture comprised of stacked interpretable sequencing cells (SISC). Results: The SISC architecture is shown to outperform previous approaches while providing more insight in to its decision making process. Conclusion: The SISC radiomic sequencer is able to achieve state-of-the-art results in lung cancer prediction, and also offers prediction interpretability in the form of critical response maps. Significance: The critical response maps are useful for not only validating the predictions of the proposed SISC radiomic sequencer, but also provide improved radiologist-machine collaboration for effective diagnosis.

研究の動機と目的

• ディープラジオミクスベースの肺がん予測システムにおける解釈可能性の欠如に対処すること。
• 手作業で設計された特徴量を用いずに、CTスキャンからエンド・ツー・エンドに特徴量を学習するラジオミック・シーケンサーを開発すること。
• 予測のための責任を負う領域を強調する重要な応答マップを生成し、透明性を高めること。
• 予測のための視覚的かつ解釈可能な根拠を提供することで、放射線科医と機械の協働を向上させること。
• モデルの解釈可能性を維持したまま、肺がん分類において最先端の性能を達成すること。

提案手法

• SISCアーキテクチャは、複数の解釈可能シーケンシングセルをスタックすることで構築され、各セルには畳み込み層、バッチ正則化、ReLU、ドロップアウト、マックスプーリングが含まれる。
• 各解釈可能シーケンシングセルは、1×1畳み込み、バッチ正則化、ReLU、ドロップアウトを3回繰り返す一連の処理を通じて特徴量を処理する。
• 最終層では、肺結節を悪性または良性に分類する2つの1×1畳み込みを用いる。
• ネットワーク全体は、LIDC-IDRIなどの大規模CTデータ上で発見的ラジオミクスフレームワークを用いてエンド・ツー・エンドに訓練される。
• 重要な応答マップは、ネットワーク全体を通じて勾配を逆伝播することで生成され、予測意思決定に最も影響を与える領域を強調する。
• 明示的なバウンディングボックスアノテーションを必要とせず、注意メカニズムに類似したサリエンシーを活用して、重要な結節領域を局所化する。

実験結果

リサーチクエスチョン

• RQ1 手作業で設計された特徴量を一切用いずに、CTスキャンから直接高 discriminative 特徴量を学習できる、エンド・ツー・エンドのラジオミック・シーケンサーは可能か？
• RQ2 このようなシーケンサーの意思決定プロセスを、臨床的妥当性の観点からどのように解釈可能にすることができるか？
• RQ3 重要な応答マップは、悪性結節を正確に局所化でき、放射線科医がアノテートした輪郭と一致するか？
• RQ4 SISCアーキテクチャは、既存の最先端手法に比べて肺がん予測の正確性と解釈可能性において優れているか？
• RQ5 重要な応答マップは、CADシステムにおける放射線科医の自信と協働をどの程度向上させるか？

主な発見

• SISCモデルは、良性（B）データセットで88.57% ± 1.70の正確性、78.32% ± 8.12の感度、93.66% ± 2.06の特異度、94.34% ± 0.08のAUCを達成し、先行手法を上回った。
• 悪性（M）データセットでは、SISCは84.17% ± 1.50の正確性、90.71% ± 4.01の感度、67.00% ± 8.64の特異度、89.06% ± 1.20のAUCを達成し、優れた感度とAUCを示した。
• 重要な応答マップは、複数の症例で放射線科医のアノテーションと同等またはそれ以上の輪郭精度で、悪性結節領域を明確に強調した。
• 訓練サンプル数の異なる条件下でも、SISCモデルは頑健な性能を示し、約15,000サンプルでAUCを含むすべての指標で最適な性能を達成した。
• 重要な応答マップは、モデルの意思決定プロセスを明確に視覚化する説明を提供し、放射線科医が予測を検証し、診断の一貫性を向上させることを可能にした。
• SISCフレームワークは、解釈可能で注意に基づくサリエンシー・マップを提供する一方で、肺がん予測において最先端の性能を達成した。