[논문 리뷰] Deep segmentation networks predict survival of non-small cell lung cancer

Stephen Baek, Yusen He외 14명|arXiv (Cornell University)|2019. 03. 26.

Radiomics and Machine Learning in Medical Imaging참고 문헌 39인용 수 5

한 줄 요약

이 연구는 비소세포성 폐암(NSCLC)에서 생존 예측 기능을 추출하기 위해 PET/CT 영상과 의료진이 주석 처리한 종양 윤곽선만을 사용해 훈련된 U-Net 기반의 합성곱 신경망(CNN)을 사용하는 딥러닝 프레임워크를 제안한다. 이 방법은 2년 및 5년 전체 생존율과 질병 특이 생존율과 강한 상관관계를 보이는 고위험 종양 영역을 식별하며, 영상 이외의 임상 데이터에 의존하지 않고도 견고한 예후 성능을 달성한다.

ABSTRACT

Non-small-cell lung cancer (NSCLC) represents approximately 80-85% of lung cancer diagnoses and is the leading cause of cancer-related death worldwide. Recent studies indicate that image-based radiomics features from positron emission tomography-computed tomography (PET/CT) images have predictive power on NSCLC outcomes. To this end, easily calculated functional features such as the maximum and the mean of standard uptake value (SUV) and total lesion glycolysis (TLG) are most commonly used for NSCLC prognostication, but their prognostic value remains controversial. Meanwhile, convolutional neural networks (CNN) are rapidly emerging as a new premise for cancer image analysis, with significantly enhanced predictive power compared to other hand-crafted radiomics features. Here we show that CNN trained to perform the tumor segmentation task, with no other information than physician contours, identify a rich set of survival-related image features with remarkable prognostic value. In a retrospective study on 96 NSCLC patients before stereotactic-body radiotherapy (SBRT), we found that the CNN segmentation algorithm (U-Net) trained for tumor segmentation in PET/CT images, contained features having strong correlation with 2- and 5-year overall and disease-specific survivals. The U-net algorithm has not seen any other clinical information (e.g. survival, age, smoking history) than the images and the corresponding tumor contours provided by physicians. Furthermore, through visualization of the U-Net, we also found convincing evidence that the regions of progression appear to match with the regions where the U-Net features identified patterns that predicted higher likelihood of death. We anticipate our findings will be a starting point for more sophisticated non-intrusive patient specific cancer prognosis determination.

연구 동기 및 목표

• 치료 전 PET/CT 영상과 의료진이 주석 처리한 종양 윤곽선만을 사용하여 비소세포성 폐암(NSCLC) 예후를 위한 해석 가능한 딥러닝 프레임워크를 개발한다.
• 딥 신경망 활성화에서 유도된 영상 기반 특징이 NSCLC 환자에서 2년 및 5년 전체 생존율과 질병 특이 생존율과 강하게 상관되는지 확인한다.
• 활성화 최대화 및 가이드드 백프로파게이션을 사용하여 종양 내에서 예후가 열 劣한 데 가장 기여하는 영역을 시각화하고 해석한다.
• 스탠포드 암센터에서 확보한 독립적인 외부 데이터셋을 통해 모델의 일반화 능력을 검증한다.
• 엔드 투 엔드로 훈련된 U-Net 특징이 SUVmax, SUVmean 및 TLG와 같은 전통적인 레이디오믹스 지표보다 예후 정확도에서 뛰어나다는 것을 입증한다.

제안 방법

• 의료진이 주석 처리한 윤곽선만을 사용하고 임상 결과 데이터는 전혀 사용하지 않고, 3D 치료 전 PET/CT 영상에서 종양 세그멘테이션을 수행하기 위해 U-Net 아키텍처를 훈련시켰다.
• 훈련된 U-Net 인코더의 버블넥 레이어에서 잠재 특징을 추출하여 계층적이고 공간적으로 국소화된 이미지 패턴을 표현했다.
• 유사한 잠재 특징을 군집화하기 위해 클러스터링 기법(Silhouette 방법)을 적용하고, 각 군집의 메도이드를 후보 예측 특징으로 선정했다.
• 중복성을 억제하고 모델의 해석 가능성을 향상시키기 위해 라소 회귀를 사용하여 메도이드에서 가장 관련성이 높은 특징을 선택했다.
• 라소로 선택된 특징을 기반으로 로지스틱 회귀 모델을 훈련시켜 2년 및 5년 생존 결과를 이진 레이블(생존/사망)로 예측했다.
• 활성화 최대화 및 ReLU 정규화를 적용한 가이드드 백프로파게이션을 사용하여 사망 위험 증가와 관련된 고위험 종양 영역을 시각화했다.

실험 결과

연구 질문

• RQ1 의료진의 주석 처리된 윤곽선과 영상 자료만을 사용해 훈련된 U-Net 기반 딥러닝 모델이 NSCLC 환자의 생존 결과를 높은 정확도로 예측할 수 있는가?
• RQ2 U-Net이 학습한 잠재 특징이 2년 및 5년 전체 생존율과 질병 특이 생존율과 유의미하게 상관되는가?
• RQ3 모델은 높은 사망 위험과 관련된 특정 종양 하위 영역을 식별하고 시각화할 수 있는가?
• RQ4 딥러닝으로 유도된 특징이 SUVmax, SUVmean 및 TLG와 같은 전통적인 레이디오믹스 지표보다 예후 예측 성능에서 뛰어나게 되는가?
• RQ5 모델의 예측 능력은 다른 기관에서 확보한 독립적인 외부 데이터셋에도 일반화 가능한가?

주요 결과

• U-Net에서 유도된 특징은 스텐트릭-바디 방사선 치료를 받은 96명의 NSCLC 환자 코hort에서 2년 및 5년 전체 생존율과 질병 특이 생존율과 강한 상관관계를 보였다.
• 모델은 견고한 예후 성능을 달성했으며, 스탠포드 암센터에서 확보한 독립적인 외부 데이터셋을 통해 일반화 능력이 검증되었다.
• 활성화 최대화를 통해 가장 예측력이 높은 특징이 전이 및 복발과 관련된 영역의 패턴과 대응하는 것으로 나타나 생물학적 타당성이 높다는 것을 확인했다.
• 가이드드 백프로파게이션을 통해 주요 종양 및 그 주변의 고위험 하위 영역을 강조하는 위험 지ap을 시각화했으며, 이는 사망 확률 증가에 기여도가 높았다.
• U-Net에서 선택된 라소 특징은 SUVmax, SUVmean 및 TLG와 같은 전통적인 레이디오믹스 지표보다 예후 정확도에서 뛰어났다.
• 이 연구는 단지 세그멘테이션 훈련만을 위한 U-Net에서 유도된 딥 레이어 특징이 NSCLC에서 매우 예측력 있고 해석 가능하며 임상적으로 유의미한 생존 생물지표가 될 수 있음을 입증한다.