[논문 리뷰] CNN-based Survival Model for Pancreatic Ductal Adenocarcinoma in Medical Imaging

Yucheng Zhang, Edrise M. Lobo-Mueller외 4명|arXiv (Cornell University)|2019. 06. 25.

Radiomics and Machine Learning in Medical Imaging참고 문헌 28인용 수 7

한 줄 요약

이 연구는 전이되지 않은 췌장도관세포암(PDAC) 환자의 전술기 CT 영상에서 복소신경망(CNN)을 활용한 딥러닝 기반 생존 모델을 제안한다. 전이 학습을 활용한 CNN 모델은 전통적인 코ックス 비례위험(CPH) 방사영상 특징 추출 방법보다 22% 높은 일치지수를 기록하여, 복잡한 생존 패턴에 더 잘 맞고, 다중공선성 및 선형 가정 등의 한계를 극복함을 보였다.

ABSTRACT

Cox proportional hazard model (CPH) is commonly used in clinical research for survival analysis. In quantitative medical imaging (radiomics) studies, CPH plays an important role in feature reduction and modeling. However, the underlying linear assumption of CPH model limits the prognostic performance. In addition, the multicollinearity of radiomic features and multiple testing problem further impedes the CPH models performance. In this work, using transfer learning, a convolutional neural network (CNN) based survival model was built and tested on preoperative CT images of resectable Pancreatic Ductal Adenocarcinoma (PDAC) patients. The proposed CNN-based survival model outperformed the traditional CPH-based radiomics approach in terms of concordance index by 22%, providing a better fit for patients' survival patterns. The proposed CNN-based survival model outperforms CPH-based radiomics pipeline in PDAC prognosis. This approach offers a better fit for survival patterns based on CT images and overcomes the limitations of conventional survival models.

연구 동기 및 목표

• 췌장도관세포암(PDAC)의 생존 분석에서 코ックス 비례위험(CPH) 모델의 한계, 특히 선형 가정과 방사영상 특징에서의 다중공선성 민감도를 해결하기 위해.
• 의료 영상 데이터의 비선형 관계를 더 잘 포착하여 예후 정확도를 향상시키기 위해 딥러닝 기반 생존 모델을 개발하기 위해.
• 전술기 CT 영상에서의 생존 결과를 예측하는 데 있어 CNN 기반 접근 방식과 전통적인 CPH 기반 방사영상 특징 추출 파이프라인 간의 성능을 평가하기 위해.
• 희귀하고 공격적인 암인 PDAC와 같은 암에서 의료 영상 생존 모델링에 전이 학습의 가능성과 우수성을 입증하기 위해.

제안 방법

• 전이 학습을 활용해 전이된 복소신경망(CNN)을 전술기 PDAC 환자의 전술기 CT 영상에 대해 미세조정하였다.
• CNN은 수동적인 방사영상 특징 추출을 회피하고, 의료 영상에서 계층적인 특징을 직접 추출하였다.
• 생존 헤드를 CNN에 추가하여 시간-사건 결과를 예측하고, 위험 함수를 종단 간(end-to-end)으로 모델링하였다.
• 이를 위해 코어된 생존 데이터에 적합한 가능도 기반 손실 함수를 사용하여 모델을 훈련시켰다.
• 성능 평가는 생존 모델의 校정 및 분류 능력에 표준으로 사용되는 일치지수(C-index)를 통해 평가하였다.
• 동일한 데이터셋과 평가 프rotocol를 사용하여 기존의 CPH 기반 방사영상 특징 추출 파이프라인과 비교하였다.

실험 결과

연구 질문

• RQ1 CNN 기반 딥러닝 모델은 전통적인 CPH 기반 방사영상 특징 추출 방식보다 전술기 PDAC 환자의 생존 예측에서 더 우수한 성능을 보일 수 있는가?
• RQ2 의료 영상 사전학습에서의 전이 학습이 제한된 PDAC 데이터셋에서 생존 예측 성능을 향상시키는가?
• RQ3 CNN 모델은 CPH 모델에 내재된 다중공선성 및 선형 가정 문제를 어느 정도 완화하는가?
• RQ4 일치지수와 생존 패턴 적합도 측면에서 모델의 성능은 표준 방사영상 특징 추출 파이프라인과 비교해 어떻게 나타나는가?

주요 결과

• CNN 기반 생존 모델은 기존의 CPH 기반 방사영상 특징 추출 파이프라인 대비 22% 높은 일치지수를 기록하였다.
• 제안된 모델은 CPH 모델과 같은 선형 모델보다 PDAC 환자에서 복잡한 비선형 생존 패턴에 더 잘 적합하는 것으로 나타났다.
• CT 영상에서 특징을 직접 학습함으로써 CNN 접근 방식은 수작업으로 만든 방사영상 특징에 대한 의존도를 감소시키고 다중공선성 문제를 완화하였다.
• 전이 학습을 활용함으로써 비교적 작은 전술기 PDAC 사례 데이터셋에서도 효과적인 특징 학습이 가능해졌다.