[논문 리뷰] Deep Learning for identifying radiogenomic associations in breast cancer

Zhe Zhu, Ehab A. AlBadawy외 4명|arXiv (Cornell University)|2017. 11. 29.

Radiomics and Machine Learning in Medical Imaging참고 문헌 23인용 수 12

한 줄 요약

이 연구는 동적 대조 강화 MRI(DCE-MRI) 스캔에서 신경망을 사용하여 유방암의 방사유전체 연관성을 식별할 수 있는지 조사한다. 이는 루미널 A 대비 비루미널 A 종양 분자 아형을 분류함으로써 이루어지며, 270명의 환자 스캔을 대상으로 세 가지 딥러닝 접근법(초기화부터 학습, 전이 학습, 즉시 사용 가능한 특징)을 적용하였다. 최고의 성능(AUC = 0.65)은 사전에 추출된 특징을 사용하여 달성되었으며, 이는 딥러닝이 유방암에서 방사유전체 발견을 지원할 수 있음을 시사한다.

ABSTRACT

Purpose: To determine whether deep learning models can distinguish between breast cancer molecular subtypes based on dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI). Materials and methods: In this institutional review board-approved single-center study, we analyzed DCE-MR images of 270 patients at our institution. Lesions of interest were identified by radiologists. The task was to automatically determine whether the tumor is of the Luminal A subtype or of another subtype based on the MR image patches representing the tumor. Three different deep learning approaches were used to classify the tumor according to their molecular subtypes: learning from scratch where only tumor patches were used for training, transfer learning where networks pre-trained on natural images were fine-tuned using tumor patches, and off-the-shelf deep features where the features extracted by neural networks trained on natural images were used for classification with a support vector machine. Network architectures utilized in our experiments were GoogleNet, VGG, and CIFAR. We used 10-fold crossvalidation method for validation and area under the receiver operating characteristic (AUC) as the measure of performance. Results: The best AUC performance for distinguishing molecular subtypes was 0.65 (95% CI:[0.57,0.71]) and was achieved by the off-the-shelf deep features approach. The highest AUC performance for training from scratch was 0.58 (95% CI:[0.51,0.64]) and the best AUC performance for transfer learning was 0.60 (95% CI:[0.52,0.65]) respectively. For the off-the-shelf approach, the features extracted from the fully connected layer performed the best. Conclusion: Deep learning may play a role in discovering radiogenomic associations in breast cancer.

연구 동기 및 목표

• 딥러닝 모델이 DCE-MRI 영상만을 사용하여 루미널 A 및 비루미널 A 유방암 아형을 구분할 수 있는지 확인하는 것.
• 초기화부터 학습, 전이 학습, 즉시 사용 가능한 딥 특징이라는 세 가지 딥러닝 전략의 성능을 평가하는 것.
• 사전 훈련된 신경망이 의료 영상 데이터에서 방사유전체 특징을 추출하는 데 유용한지 평가하는 것.
• 10겹 교차검증과 AUC를 주요 지표로 사용하여 모델을 검증하는 것.

제안 방법

• 270명의 환자로부터 확보한 DCE-MRI 스캔을 분석하였으며, 종양 영역의 패치를 방사선의학자가 레이블링하였다.
• 세 가지 딥러닝 접근법을 적용: 종양 패치에 대해 초기화부터 네트워크를 학습, ImageNet 사전 훈련된 네트워크(GoogleNet, VGG, CIFAR)를 미세조정, 사전에 추출된 특징을 사용.
• 즉시 사용 가능한 특징 접근법에서는 사전 훈련된 네트워크의 완전 연결층에서 추출된 특징을 사용하여 서포트 벡터 머신을 이용해 분류를 수행하였다.
• 모델의 성능 평가를 위해 10겹 교차검증을 적용하여 안정성과 일반화 능력을 확보하였다.
• 수신기 작동 특성 곡선 아래 면적(AUC)을 주요 성능 지표로 사용하였다.
• 네트워크 아키텍처로는 GoogleNet, VGG, CIFAR를 사용하였으며, 모두 의료 영상 분류에 적합하도록 조정되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 오직 DCE-MRI 영상만을 사용하여 루미널 A 및 비루미널 A 유방암 분자 아형을 정확하게 분류할 수 있는가?
• RQ2 초기화부터 학습, 전이 학습, 즉시 사용 가능한 특징 추출 간 성능는 어떻게 달라지는가?
• RQ3 어느 딥러닝 아키텍처와 특징 레이어가 방사유전체 분류 성능에서 가장 뛰어난가?
• RQ4 DCE-MRI에 사전 훈련된 딥 신경망이 포착할 수 있는 유의미한 방사유전체 신호가 존재하는가?

주요 결과

• 즉시 사용 가능한 딥 특징 접근법이 루미널 A 대비 비루미널 A 아형을 구분하는 데 가장 높은 AUC 0.65(95% 신뢰구간: [0.57, 0.71])를 기록하였다.
• 즉시 사용 가능한 방법에서 가장 우수한 성능를 보인 특징는 사전 훈련된 네트워크의 완전 연결층에서 추출된 것이었다.
• 초기화부터 학습한 경우 AUC는 0.58(95% 신뢰구간: [0.51, 0.64])를 기록하여 사전 훈련 없이 학습할 경우 성능이 제한적임을 시사하였다.
• 전이 학습은 AUC 0.60(95% 신뢰구간: [0.52, 0.65])을 기록하여 초기화부터 학습한 것보다 우수했지만, 즉시 사용 가능한 특징 접근법보다는 열등했다.
• 결과적으로 이 맥락에서 사전 훈련된 딥 특징는 미세조정 또는 무작위 초기화된 네트워크보다 방사유전체 분류에 더 효과적임을 시사한다.
• 전반적으로 딥러닝은 비침습적 영상 기반으로 유방암에서 방사유전체 연관성을 식별하는 데 잠재력을 보이고 있다.