[논문 리뷰] Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional validation study

Nathaniel Braman, Mohammed El Adoui외 11명|Repository of the University of Namur|2020. 01. 22.

Radiomics and Machine Learning in Medical Imaging참고 문헌 52인용 수 14

한 줄 요약

이 연구는 HER2 양성 유방암 환자에서 HER2 표적 항암 치료에 대한 병리학적 완전 반응(pCR)을 예측하기 위해 사전 치료 동적 대조 강화(DCE) MRI를 사용한 딥러닝 모델을 개발한다. 다기관 검증 결과, 독립적인 테스트 코hort에서 AUC가 각각 0.85와 0.77를 기록하며 임상 및 약리동역학 모델을 능가한다.

ABSTRACT

Predicting response to neoadjuvant therapy is a vexing challenge in breast cancer. In this study, we evaluate the ability of deep learning to predict response to HER2-targeted neo-adjuvant chemotherapy (NAC) from pre-treatment dynamic contrast-enhanced (DCE) MRI acquired prior to treatment. In a retrospective study encompassing DCE-MRI data from a total of 157 HER2+ breast cancer patients from 5 institutions, we developed and validated a deep learning approach for predicting pathological complete response (pCR) to HER2-targeted NAC prior to treatment. 100 patients who received HER2-targeted neoadjuvant chemotherapy at a single institution were used to train (n=85) and tune (n=15) a convolutional neural network (CNN) to predict pCR. A multi-input CNN leveraging both pre-contrast and late post-contrast DCE-MRI acquisitions was identified to achieve optimal response prediction within the validation set (AUC=0.93). This model was then tested on two independent testing cohorts with pre-treatment DCE-MRI data. It achieved strong performance in a 28 patient testing set from a second institution (AUC=0.85, 95% CI 0.67-1.0, p=.0008) and a 29 patient multicenter trial including data from 3 additional institutions (AUC=0.77, 95% CI 0.58-0.97, p=0.006). Deep learning-based response prediction model was found to exceed a multivariable model incorporating predictive clinical variables (AUC < .65 in testing cohorts) and a model of semi-quantitative DCE-MRI pharmacokinetic measurements (AUC < .60 in testing cohorts). The results presented in this work across multiple sites suggest that with further validation deep learning could provide an effective and reliable tool to guide targeted therapy in breast cancer, thus reducing overtreatment among HER2+ patients.

연구 동기 및 목표

• 사전 치료 DCE-MRI를 사용하여 HER2 표적 항암 치료에 대한 병리학적 완전 반응(pCR)을 예측하는 딥러닝 모델을 개발하는 것.
• 일관성과 강건성을 평가하기 위해 다기관에서 모델을 검증하는 것.
• 기존 임상 및 반정량 약리동역학 모델과 비교하여 딥러닝 모델의 성능을 평가하는 것.
• 딥러닝을 통해 추출한 방사선학적 특징이 표준 임상 변수를 초월해 예측 정확도를 향상시키는지 평가하는 것.

제안 방법

• 100명의 HER2 양성 환자에서 단일 기관에서 확보한 사전 대조 및 늦은 후대조 DCE-MRI 시퀀스를 기반으로 다중 입력 합성곱 신경망(CNN)을 훈련시켰다.
• 모델은 85명의 환자에서 훈련 및 튜닝되었으며, 사전 대조 및 후대조 입력을 모두 사용할 경우 최적의 성능를 기록했다.
• 최종 모델은 두 개의 독립 코hort에서 테스트되었으며, 하나는 제2 기관에서(총 n=28), 다른 하나는 추가 3개 기관에서 수행된 다기관 임상시험에서(총 n=29) 확보되었다.
• 성능 평가에는 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하였으며, 95% 신뢰구간과 p-value를 함께 보고하였다.
• 동일한 테스트 세트를 사용하여 다변량 임상 모델 및 반정량 약리동역학 모델과 모델을 비교하였다.

실험 결과

연구 질문

• RQ1 사전 치료 DCE-MRI에서 훈련된 딥러닝 모델이 HER2 양성 유방암 환자에서 pCR를 정확하게 예측할 수 있는가?
• RQ2 다양한 영상 프로토콜과 환자 집단을 가진 다수의 기관에서 모델이 일반화되는가?
• RQ3 딥러닝 모델의 성능가 표준 임상 및 약리동역학 모델과 비교해 볼 때 pCR 예측에 있어 어떻게 다른가?
• RQ4 사전 대조 및 늦은 후대조 DCE-MRI 시퀀스를 모두 포함하는 것이 최적의 예측 성능을 위한 핵심 요소인가?

주요 결과

• 딥러닝 모델은 내부 검증 코hort에서 AUC 0.93을 기록하여 강력한 예측 성능를 보였다.
• 제2 기관의 독립적인 28명 코hort에서 모델은 AUC 0.85(95% CI: 0.67–1.0, p=0.0008)를 기록했다.
• 추가 3개 기관에서 수행된 다기관 임상시험의 29명 코hort에서 모델은 AUC 0.77(95% CI: 0.58–0.97, p=0.006)를 기록했다.
• 두 개의 독립 테스트 코hort에서 딥러닝 모델은 다변량 임상 모델(AUC < 0.65)과 반정량 약리동역학 모델(AUC < 0.60)을 유의미하게 능가했다.
• 사전 대조 및 늦은 후대조 시퀀스를 모두 사용한 다중 입력 CNN 아키텍처가 반응 예측에 최적의 구조로 확인되었다.