[논문 리뷰] Application of Deep Learning on Predicting Prognosis of Acute Myeloid Leukemia with Cytogenetics, Age, and Mutations

Lin Mei, Vanya Jaitly외 7명|arXiv (Cornell University)|2018. 10. 30.

Cancer Genomics and Diagnostics참고 문헌 44인용 수 9

한 줄 요약

이 연구는 암 게놈 지도(의료용)에서 확보한 세포유전학, 연령, 체세포 돌연변이를 바탕으로 급성 골수성 백혈병(AML) 예후를 예측하기 위해 오토에인코드를 사용하는 딥러닝(DL) 모델을 적용한다. 계층적 딥러닝 아키텍처는 환자의 생존 기간이 730일을 초과하는지 여부를 분류하는 데 83%의 정확도를 달성하여, AML 예후 모델링에서 다중 옴믹스 데이터를 통합하는 데 있어 딥러닝의 가능성을 입증한다.

ABSTRACT

We explore how Deep Learning (DL) can be utilized to predict prognosis of acute myeloid leukemia (AML). Out of TCGA (The Cancer Genome Atlas) database, 94 AML cases are used in this study. Input data include age, 10 common cytogenetic and 23 most common mutation results; output is the prognosis (diagnosis to death, DTD). In our DL network, autoencoders are stacked to form a hierarchical DL model from which raw data are compressed and organized and high-level features are extracted. The network is written in R language and is designed to predict prognosis of AML for a given case (DTD of more than or less than 730 days). The DL network achieves an excellent accuracy of 83% in predicting prognosis. As a proof-of-concept study, our preliminary results demonstrate a practical application of DL in future practice of prognostic prediction using next-gen sequencing (NGS) data.

연구 동기 및 목표

• 임상 및 분자적 특징을 사용하여 AML 예후를 예측하는 딥러닝 모델을 개발하는 것.
• 생존 기간에 따라 AML 환자를 분류하는 데 있어 계층적 딥러닝 아키텍처의 성능을 평가하는 것.
• 이질적인 AML 데이터(세포유전학, 연령, 돌연변이)로부터 고차원적 특징을 추출하는 데에 오토에인코드의 활용 가능성을 탐색하는 것.
• 차세대 시퀀싱(NGS) 데이터를 사용한 예후 예측에서 딥러닝의 개념적 실현 가능성을 입증하는 것.

제안 방법

• 입력 데이터로부터 계층적 표현을 학습하기 위해 스택드 오토에인코드를 사용하여 딥러닝 모델을 구축한다.
• 입력 특징으로는 연령, 10종의 흔한 세포유전학적 이상, 23종의 가장 흔한 체세포 돌연변이가 포함된다.
• 오토에인코드 아키텍처는 원시 입력 데이터를 저차원의 잠재 표현으로 압축하여 복잡한 패턴을 포착한다.
• 네트워크의 최종 레이어는 생존 기간이 730일을 초과하는지 여부를 이진 예측으로 출력한다.
• 모델은 R로 구현되었으며, 암 게놈 지도(의료용) 데이터베이스의 94명의 AML 환자 데이터로 훈련되었다.
• 표준 역전파와 경사 하강법을 사용하여 분류 오차를 최소화하도록 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 세포유전학, 연령, 돌연변이 데이터를 사용하여 딥러닝 모델이 AML 예후를 효과적으로 예측할 수 있는가?
• RQ2 스택드 오토에인코드는 이질적인 AML 임상 및 분자 데이터로부터 의미 있는 특징을 얼마나 잘 추출할 수 있는가?
• RQ3 딥러닝 모델이 AML 환자를 단기 및 장기 생존군으로 분류하는 데 있어 예측 정확도는 어느 정도인가?
• RQ4 딥러닝은 전통적인 통계 방법에 비해 AML에서 예후 예측을 어느 정도 향상시킬 수 있는가?

주요 결과

• 딥러닝 모델은 AML 환자의 생존 기간이 730일을 초과할지 여부를 예측하는 데 83%의 정확도를 달성하였다.
• 스택드 오토에인코드의 사용은 복잡하고 다중 모달 입력 데이터로부터 효과적인 특징 추출 및 표현 학습을 가능하게 하였다.
• 모델은 임상적(연령) 및 분자적(세포유전학 및 돌연변이) 특징을 통합하여 통합된 예측 프레임워크를 성공적으로 구현하였다.
• 이 연구는 딥러닝이 NGS 유래 데이터를 활용하여 AML 예후 예측에 효과적으로 적용될 수 있음을 입증하는 개념 실현 사례를 제시한다.