[논문 리뷰] Explainable Deep Learning for Tumor Dynamic Modeling and Overall Survival Prediction using Neural-ODE

Mark Laurie, James Lu|arXiv (Cornell University)|2023. 08. 02.

Radiomics and Machine Learning in Medical ImagingMedicine인용 수 3

한 줄 요약

이 논문은 종양 성장 역학을 종단적 크기 데이터에서 학습하기 위해 신경 미분방정식(Neural-ODE)을 사용하는 약리학적 정보를 반영한 딥러닝 모델인 종양 동적 신경-ODE(TDNODE)를 소개한다. 일반화된 시간 동질성 조건을 도입함으로써 TDNODE는 해석 가능한 동적 속도 지표를 생성하며, 이는 조기 중단된 데이터조차도 높은 정확도로 전체 생존 예측이 가능하게 하여 개인 맞춤 온코로지 치료 계획 수립을 가능하게 한다.

ABSTRACT

While tumor dynamic modeling has been widely applied to support the development of oncology drugs, there remains a need to increase predictivity, enable personalized therapy, and improve decision-making. We propose the use of Tumor Dynamic Neural-ODE (TDNODE) as a pharmacology-informed neural network to enable model discovery from longitudinal tumor size data. We show that TDNODE overcomes a key limitation of existing models in its ability to make unbiased predictions from truncated data. The encoder-decoder architecture is designed to express an underlying dynamical law which possesses the fundamental property of generalized homogeneity with respect to time. Thus, the modeling formalism enables the encoder output to be interpreted as kinetic rate metrics, with inverse time as the physical unit. We show that the generated metrics can be used to predict patients' overall survival (OS) with high accuracy. The proposed modeling formalism provides a principled way to integrate multimodal dynamical datasets in oncology disease modeling.

연구 동기 및 목표

• 온코로지 신약 개발을 위한 종양 역학 모델링의 예측 정확도 향상.
• 제한된 종단적 데이터로부터 환자별 종양 역학을 학습함으로써 개인 맞춤 치료 가능화.
• 단순한 종양 크기 측정치에서 조기 중단된 데이터로도 예측할 때 편향이 없는 모델 개발.
• 딥러닝에서 해석 가능하고 물리적으로 의미 있는 동적 속도 지표 생성.
• 원리적인 수식 체계를 통해 온코로지 모델링에서 다중 모odal 역학 데이터셋의 통합 개선.

제안 방법

• 모델은 종양 크기 궤적에서 기저 역학 법칙을 학습하기 위해 인코더-디코더 아키텍처와 신경-ODE를 활용한다.
• 역학 시스템은 시간에 대해 일반화된 동질성을 갖도록 제약되며, 물리적 일관성을 보장한다.
• 인코더 출력은 역시간 단위를 가지는 동적 속도 지표로 해석되며, 생물학적 해석 가능성을 제공한다.
• 모델은 종단적 종양 부피 데이터를 엔드 투 엔드로 훈련하여 역학 재구성 및 생존 예측을 수행한다.
• 이 아키텍처는 데이터가 조기 중단된 경우에도 외삽 및 편향 없는 예측을 가능하게 한다.
• 모델은 생물학적 타당성을 확보하기 위해 약리학 원리를 신경망 구조에 통합한다.

실험 결과

연구 질문

• RQ1 희소하고 조기 중단된 종단적 종양 크기 데이터로부터 딥러닝 모델이 높은 예측 정확도로 종양 역학을 학습할 수 있는가?
• RQ2 모델이 기저 생물학적 역학을 반영하는 해석 가능한 동적 속도 지표를 생성할 수 있는가?
• RQ3 모델의 내재된 일반화된 동질성 특성이 일반화 능력 향상과 생존 예측의 편향 감소에 기여하는가?
• RQ4 학습된 지표가 다양한 환자 집단에서 전체 생존을 높은 정확도로 예측할 수 있는가?
• RQ5 모델이 온코로지 모델링에서 다중 모달 역학 데이터셋을 얼마나 잘 통합할 수 있는가?

주요 결과

• TDNODE는 데이터가 조기 중단된 경우조차도 종단적 종양 크기 측정치만으로도 전체 생존 예측에 높은 정확도를 달성한다.
• 모델의 인코더 출력은 역시간 단위를 가지는 해석 가능한 동적 속도 지표이며, 기저 종양 역학을 반영한다.
• 모델은 조기 중단된 데이터에 대해서도 편향 없는 예측을 유지하여 이전 접근 방식의 핵심 한계를 극복한다.
• 역학 시스템의 일반화된 동질성 특성은 시간에 따른 일관된 스케일링을 보장하여 모델의 강건성을 향상시킨다.
• 이 프레임워크는 온코로지 모델링에서 다중 모달 역학 데이터셋의 원리적인 통합을 가능하게 한다.
• 이 방법은 생존 예측 성능이 뛰어나 개인 맞춤 치료 계획 수립에 임상적 유용성을 보여준다.