[논문 리뷰] Improving Prognostic Performance in Resectable Pancreatic Ductal Adenocarcinoma using Radiomics and Deep Learning Features Fusion in CT Images

Yucheng Zhang, Edrise M. Lobo-Mueller외 4명|arXiv (Cornell University)|2019. 07. 10.

Radiomics and Machine Learning in Medical Imaging참고 문헌 49인용 수 4

한 줄 요약

이 연구는 재절제 가능한 췌장도관세포암(PDAC)에서 생존 예측 정확도를 향상시키기 위해 CT 영상에서 유도된 영상학적 특징과 딥러닝 특징을 융합하는 새로운 위험도 기반 특징 융합 방법을 제안한다. 제안된 방법은 예후 성능을 크게 향상시켜 영상학적 특징만을 사용할 경우 대비 AUC를 51% 향상시키고, 딥러닝 특징만을 사용할 경우 대비 16% 향상시킨다.

ABSTRACT

As an analytic pipeline for quantitative imaging feature extraction and analysis, radiomics has grown rapidly in the past a few years. Recent studies in radiomics aim to investigate the relationship between tumors imaging features and clinical outcomes. Open source radiomics feature banks enable the extraction and analysis of thousands of predefined features. On the other hand, recent advances in deep learning have shown significant potential in the quantitative medical imaging field, raising the research question of whether predefined radiomics features have predictive information in addition to deep learning features. In this study, we propose a feature fusion method and investigate whether a combined feature bank of deep learning and predefined radiomics features can improve the prognostics performance. CT images from resectable Pancreatic Adenocarcinoma (PDAC) patients were used to compare the prognosis performance of common feature reduction and fusion methods and the proposed risk-score based feature fusion method for overall survival. It was shown that the proposed feature fusion method significantly improves the prognosis performance for overall survival in resectable PDAC cohorts, elevating the area under ROC curve by 51% compared to predefined radiomics features alone, by 16% compared to deep learning features alone, and by 32% compared to existing feature fusion and reduction methods for a combination of deep learning and predefined radiomics features.

연구 동기 및 목표

• 재절제 가능한 췌장도관세포암(PDAC)에서 사전 정의된 영상학적 특징과 딥러닝 특징을 융합함으로써 예후 성능이 향상되는지 조사하기 위해.
• 의료 영상에서 영상학적 특징이 딥러닝 특징을 초월해 추가적인 예측 가치를 제공하는지에 대한 연구 격차를 메우기 위해.
• PDAC 환자에서 전반적인 생존 예측 정확도를 향상시키기 위해 새로운 특징 융합 전략을 개발하고 검증하기 위해.
• 임상 영상 환경에서 기존의 특징 감소 및 융합 기법과 비교하여 제안된 융합 방법의 성능을 평가하기 위해.

제안 방법

• 오픈소스 영상학적 도구킷을 사용하여 수술 전 CT 영상에서 영상학적 특징을 추출하여 질감, 형태, 강도 기반 특징을 캡처하였다.
• 췌장 CT 영상에 맞게 미세조정된 합성곱 신경망(CNN)을 사용하여 계층적이고 데이터 기반의 표현을 학습함으로써 딥러닝 특징을 추출하였다.
• 각 특징 세트에 대해 예측 위험도 점수를 할당하여 영상학적 특징과 딥러닝 특징을 융합하는 위험도 기반 특징 융합 방법을 제안하였다.
• 생존 모델링을 위한 최적의 통합 특징 공간을 확보하기 위해 특징 선택 및 차원 축소 기법을 적용하였다.
• 융합된 특징 세트를 기반으로 생존 예측 모델(예: 코ックス 비례위험 모델 또는 랜덤 생존 숲)을 훈련시켜 전반적인 생존을 예측하였다.
• 교차검증을 적용하고, 영상학적 특징 또는 딥러닝 특징만을 사용한 기준 모델과의 성능 지표(예: AUC, C-index)를 비교하여 모델을 검증하였다.

실험 결과

연구 질문

• RQ1 영상학적 특징과 딥러닝 특징을 융합함으로써 재절제 가능한 PDAC에서 생존 예측 성능이 단독으로 사용할 경우보다 향상되는가?
• RQ2 제안된 위험도 기반 특징 융합 방법이 예후 모델링에서 전통적인 특징 융합 및 감소 기법보다 뛰어나게 성능을 발휘하는가?
• RQ3 영상학적 특징이 췌장 CT 영상에서 딥러닝 특징가 포착하는 정보를 초월하여 예측 정보를 기여하는가?
• RQ4 임상 코hort에서 수작업으로 만든 영상학적 특징과 학습된 딥러닝 특징을 융합함으로써 얻는 예측적 가치의 증분은 무엇인가?

주요 결과

• 제안된 위험도 기반 특징 융합 방법은 전반적인 생존 예측 성능을 크게 향상시켜 영상학적 특징만을 사용할 경우 대비 ROC 곡선 아래 면적(AUC)을 51% 향상시켰다.
• 딥러닝 특징만을 사용할 경우 대비 AUC가 16% 향상되어 영상학적 특징이 유의미한 예측 정보를 추가로 제공한다는 것을 입증하였다.
• 기존의 특징 융합 및 감소 기법보다 우수한 성능을 보였으며, 이러한 전통적 접근 방식 대비 AUC가 32% 향상되었다.
• 통합된 특징 세트는 생존 모델링에서 더 높은 예측 정확도와 강건성을 달성하여, 두 특징 유형 간 상호보완적인 정보가 예후 성능을 향상시킨다는 것을 시사한다.
• 영상학적 특징과 딥러닝 특징이 상호 보완적이며, 위험도 기반 융합을 통해 통합함으로써 임상 예후 결과가 향상된다는 점을 시사한다.