[논문 리뷰] Deep learning analysis of breast MRIs for prediction of occult invasive disease in ductal carcinoma in situ

Zhe Zhu, Michael R. Harowicz외 5명|arXiv (Cornell University)|2017. 11. 28.

AI in cancer detection참고 문헌 14인용 수 3

한 줄 요약

이 연구는 핵심 생검 후 유방 MRI를 이용한 딥러닝 모델이 유방세포암종(ductal carcinoma in situ, DCIS) 환자에서 은폐된 침습성 병변을 예측할 수 있는지 평가한다. 사전 훈련된 GoogleNet 특징과 다항 SVM 분류기를 사용한 방법은 AUC 0.70을 달성하여 침습성 성분을 비침습적으로 식별하고 치료 결정을 안내하는 데 잠재적 가능성을 보여준다.

ABSTRACT

Purpose: To determine whether deep learning-based algorithms applied to breast MR images can aid in the prediction of occult invasive disease following the di- agnosis of ductal carcinoma in situ (DCIS) by core needle biopsy. Material and Methods: In this institutional review board-approved study, we analyzed dynamic contrast-enhanced fat-saturated T1-weighted MRI sequences of 131 patients at our institution with a core needle biopsy-confirmed diagnosis of DCIS. The patients had no preoperative therapy before breast MRI and no prior history of breast cancer. We explored two different deep learning approaches to predict whether there was a hidden (occult) invasive component in the analyzed tumors that was ultimately detected at surgical excision. In the first approach, we adopted the transfer learning strategy, in which a network pre-trained on a large dataset of natural images is fine-tuned with our DCIS images. Specifically, we used the GoogleNet model pre-trained on the ImageNet dataset. In the second approach, we used a pre-trained network to extract deep features, and a support vector machine (SVM) that utilizes these features to predict the upstaging of the DCIS. We used 10-fold cross validation and the area under the ROC curve (AUC) to estimate the performance of the predictive models. Results: The best classification performance was obtained using the deep features approach with GoogleNet model pre-trained on ImageNet as the feature extractor and a polynomial kernel SVM used as the classifier (AUC = 0.70, 95% CI: 0.58- 0.79). For the transfer learning based approach, the highest AUC obtained was 0.53 (95% CI: 0.41-0.62). Conclusion: Convolutional neural networks could potentially be used to identify occult invasive disease in patients diagnosed with DCIS at the initial core needle biopsy.

연구 동기 및 목표

• 핵심 생검으로 진단된 DCIS 환자에서 유방 MRI에 적용된 딥러닝 모델이 은폐된 침습성 병변을 예측할 수 있는지 확인하는 것.
• 이 예측 작업에 대해 전이 학습과 딥 특징 추출 방법을 비교하는 것.
• 딥러닝 모델이 기존 방사선학적 평가를 뛰어넘어 침습성 병변을 놓치는 것을 줄일 수 있는지 평가하는 것.
• 소규모 의료 영상 데이터셋에서 훈련 샘플이 제한된 경우 사전 훈련된 합성곱 신경망을 사용하는 것이 가능한지 탐색하는 것.

제안 방법

• 131명의 DCIS 환자 MRI 영상 자료를 사용해 ImageNet에서 사전 훈련된 GoogleNet 모델을 미세조정함으로써 전이 학습을 적용하였다.
• 사전 훈련된 GoogleNet의 합성곱 층에서 딥 특징을 추출하여 후행 분류기의 입력으로 사용하였다.
• 추출된 딥 특징을 기반으로 다항 커널을 사용한 서포트 벡터 머신(SVM)을 훈련하여 침습성 병변으로의 업스테이징을 예측하였다.
• 모델 성능 평가를 위해 10겹 교차검증을 사용하였으며, 주요 평가 지표로 receiver operating characteristic 곡선 아래 면적(AUC)을 사용하였다.
• 두 가지 접근 방식을 비교: 엔드 투 엔드 전이 학습과 사전 훈련된 네트워크 특징을 사용한 특징 기반 분류.
• 듀크 대학교에서 승인된 기관심의위원회의 승인을 받은 후행적 데이터를 사용하였으며, 엄격한 포함 기준을 적용: 이전 암력 없음, 신선한 치료 없음, 생검으로 확인된 DCIS.

실험 결과

연구 질문

• RQ1 동적 대조 강화 유방 MRI에 적용된 딥러닝 모델이 DCIS 환자에서 은폐된 침습성 병변을 예측할 수 있는가?
• RQ2 이 맥락에서 전이 학습의 성능가 특징 기반 딥러닝 접근 방식의 성능를 비교할 경우 어떻게 되는가?
• RQ3 대규모 자연 영상 데이터셋에서 사전 훈련된 특징을 사용하면, 훈련 샘플이 제한된 소규모 의료 영상 코hort에서 DCIS의 업스테이징을 예측하는 데 도움이 되는가?
• RQ4 딥 특징과 기존 분류기(예: SVM)를 조합한 하이브리드 접근 방식이 데이터가 적은 환경에서 엔드 투 엔드 미세조정보다 성능이 뛰어나게 되는가?

주요 결과

• GoogleNet 특징과 다항 커널 SVM를 사용한 딥 특징 기반 접근 방식이 가장 높은 AUC 0.70(95% 신뢰구간: 0.58–0.79)을 기록하였다.
• 전이 학습 접근 방식은 낮은 AUC 0.53(95% 신뢰구간: 0.41–0.62)을 기록하여 제한된 훈련 데이터로 인한 과적합이 발생한 것으로 나타났다.
• 모델은 131명의 DCIS 환자 중 35명(26.7%)이 수술에서 침습성 병변으로 업스테이징된 것을 식별하였다.
• 연구는 소규모 의료 데이터셋에서는 사전 훈련된 딥 특징이 미세조정보다 과적합을 줄여 더 효과적임을 입증하였다.
• 결과는 딥러닝이 제한된 데이터로도 MRI에서 은폐된 침습성 병변과 관련된 의미 있는 패턴을 추출할 수 있음을 시사한다.
• 다소 유망한 결과에도 불구하고 AUC 0.70은 아직 독립적인 임상 적용에는 부족한 수준이며, 더 큰 다기관 데이터셋이 필요함을 시사한다.