[論文レビュー] Survival Prediction Across Diverse Cancer Types Using Neural Networks

Yan Xu, Weimin Wang+3 more|arXiv (Cornell University)|Apr 11, 2024

Radiomics and Machine Learning in Medical Imaging被引用数 5

ひとこと要約

論文は、胃がん（STAD）および大腸腺癌（COAD）の Whole Slide Images（WSI）に適用されたグラフ畳み込みニューラルネットワーク（GCN）アプローチを提示し、5年生存を予測し、CNNベースラインを上回る。

ABSTRACT

Gastric cancer and Colon adenocarcinoma represent widespread and challenging malignancies with high mortality rates and complex treatment landscapes. In response to the critical need for accurate prognosis in cancer patients, the medical community has embraced the 5-year survival rate as a vital metric for estimating patient outcomes. This study introduces a pioneering approach to enhance survival prediction models for gastric and Colon adenocarcinoma patients. Leveraging advanced image analysis techniques, we sliced whole slide images (WSI) of these cancers, extracting comprehensive features to capture nuanced tumor characteristics. Subsequently, we constructed patient-level graphs, encapsulating intricate spatial relationships within tumor tissues. These graphs served as inputs for a sophisticated 4-layer graph convolutional neural network (GCN), designed to exploit the inherent connectivity of the data for comprehensive analysis and prediction. By integrating patients' total survival time and survival status, we computed C-index values for gastric cancer and Colon adenocarcinoma, yielding 0.57 and 0.64, respectively. Significantly surpassing previous convolutional neural network models, these results underscore the efficacy of our approach in accurately predicting patient survival outcomes. This research holds profound implications for both the medical and AI communities, offering insights into cancer biology and progression while advancing personalized treatment strategies. Ultimately, our study represents a significant stride in leveraging AI-driven methodologies to revolutionize cancer prognosis and improve patient outcomes on a global scale.

研究の動機と目的

• AIと画像データを用いた胃がんと大腸腺癌の正確な予後予測の需要に対処する。
• 生存分析のために腫瘍特徴を豊富に抽出するためにWSIを活用する。
• 腫瘍組織内の空間的関係をモデル化する患者レベルのグラフを構築する。
• 生存予測を予測するためにグラフ畳み込みニューラルネットワーク（GCN）を採用し、CNNベースラインと比較する。

提案手法

• ImageNetで事前学習されたResNet50を用いてスライスごとに1024次元の特徴を抽出し、WSIをセグメント化して前処理する。
• WSIスライスを8近傍のスライスと接続されるノードとして扱い、患者レベルのグラフを構築する。
• 患者の全WSIからグラフを組み立て、4層 Patch-GCN とコックス比例ハザード層を用いて生存分析を行う。
• concordance index（C-index）とROC/AUC曲線を用いて、4:1の訓練–テスト分割による5-foldクロスバリデーションで評価する。
• 生のWSIデータで訓練したCNNベースラインとGCNの性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 WSIのグラフベース表現は、従来のCNNと比較して胃がん（STAD）および大腸腺癌（COAD）の生存予測を改善するか。
• RQ2 4層のGCNを用いた場合、これらのがん種の生存予測精度にどのような影響があるか。
• RQ3 STADおよびCOADに対するGCNのC-index値は、同じデータ上のCNNモデルと比較してどうか。

主な発見

Cancer Type and Model	C-index
STAD with GCN	0.64
STAD with CNN	0.62
COAD with GCN	0.57
COAD with CNN	0.53

• GCNモデルはSTADでC-index0.64、COADで0.57を達成。
• CNNベースラインはSTADでC-index0.62、COADで0.53。
• GCNは両方のがんタイプでCNNを上回り、生存予測で優位。
• モデル間の性能差を示すROC曲線（AUC）が描かれている。