[논문 리뷰] Is it Possible to Predict MGMT Promoter Methylation from Brain Tumor MRI Scans using Deep Learning Models?

Numan Saeed, Shahad Hardan외 2명|arXiv (Cornell University)|2022. 01. 16.

Brain Tumor Detection and Classification인용 수 7

한 줄 요약

이 연구는 BraTS 2021 데이터를 사용하여 뇌종양의 MRI 영상에서 MGMT 프로모터 메틸화 상태를 예측할 수 있는지에 대해 딥러닝 모델을 조사한다. 2D/3D 컨볼루션 네트워크, 자기지도 학습, 비전 트랜스포머를 테스트했지만, 모든 모델이 AUC 점수 약 0.60 수준에 머물렀으며, 이는 랜덤 추측 수준과 동일한 성능이었다. 이는 MRI 영상만으로는 신뢰할 수 있는 예측 신호가 존재하지 않음을 시사한다.

ABSTRACT

Glioblastoma is a common brain malignancy that tends to occur in older adults and is almost always lethal. The effectiveness of chemotherapy, being the standard treatment for most cancer types, can be improved if a particular genetic sequence in the tumor known as MGMT promoter is methylated. However, to identify the state of the MGMT promoter, the conventional approach is to perform a biopsy for genetic analysis, which is time and effort consuming. A couple of recent publications proposed a connection between the MGMT promoter state and the MRI scans of the tumor and hence suggested the use of deep learning models for this purpose. Therefore, in this work, we use one of the most extensive datasets, BraTS 2021, to study the potency of employing deep learning solutions, including 2D and 3D CNN models and vision transformers. After conducting a thorough analysis of the models' performance, we concluded that there seems to be no connection between the MRI scans and the state of the MGMT promoter.

연구 동기 및 목표

• 딥러닝 모델이 MRI 영상만을 사용하여 MGMT 프로모터 메틸화 상태를 정확하게 예측할 수 있는지 확인하는 것.
• BraTS 2021 데이터셋에서 다양한 아키텍처—2D 및 3D CNN, 비전 트랜스포머, 자기지도 학습—의 성능을 평가하는 것.
• MRI 영상의 방사선학적 특징이 간질성 뇌종양 치료 반응의 핵심 생물학적 마커인 MGMT 프로모터 메틸화와 관련이 있는지 조사하는 것.
• 모델의 해석 가능성과 특징 학습 능력을 평가하여, 모델이 메틸화된 경우와 메틸화되지 않은 경우를 구분할 수 있는지 확인하는 것.

제안 방법

• 다중 시퀀스 MRI 영상(T1, T2, FLAIR, 대조 증강)과 임상 애너테이션을 포함한 BraTS 2021 데이터셋을 사용하였다.
• 2D 및 3D ResNet-10, 비전 트랜스포머(ViT), 자기지도 학습 방법을 포함한 다양한 딥러닝 아키텍처를 훈련 및 평가하였다.
• 과적합 방지를 위해 안정성을 확보하기 위해 5겹 교차검증과 10개의 서로 다른 랜덤 시드를 적용하였다.
• 훈련에는 이진 교차엔트로피(BCE) 손실을 사용하였고, 모델 평가에는 AUC, 정확도, 정밀도, 재현율을 계산하였다.
• 특징 맵의 해석과 잠재 표현에서 클래스 간 분리 가능성 평가를 위해 t-SNE 시각화를 활용하였다.
• 모델 수렴 여부 진단 및 랜덤 예측 행동 식별을 위해 훈련 손실 곡선을 분석하였다.

실험 결과

연구 질문

• RQ1 MRI 영상만을 사용하여 훈련된 딥러닝 모델이 임상적으로 유의미한 정확도로 MGMT 프로모터 메틸화 상태를 예측할 수 있는가?
• RQ2 2D 및 3D 컨볼루션 신경망, 비전 트랜스포머, 자기지도 학습 모델이 이 작업을 위해 MRI 데이터로부터 분류 가능한 특징을 학습하는가?
• RQ3 메틸화된 경우와 메틸화되지 않은 경우 간 모델 성능에 통계적으로 유의미한 차이가 있는가?
• RQ4 모델의 히든 레이어에서 학습된 특징들이 두 메틸화 클래스 간에 의미 있는 분리가 이루어지는가?
• RQ5 관찰된 성능의 원인은 랜덤 예측인지, 데이터 내 상관관계 부재인가?

주요 결과

• 모든 테스트된 모델이 AUC 값 0.54에서 0.59 사이를 기록하여, 랜덤 추측 수준과 동일한 성능임을 나타냈다.
• 모델 평균 훈련 손실이 약 0.70으로 안정화되었으며, 이는 균형 임계값 분포 하에서 이론적 랜덤 손실 0.69에 매우 가까웠다.
• 특징 맵의 t-SNE 시각화에서 깊은 레이어에서 클래스 간 분리가 관찰되지 않아, 모델이 분류 가능한 표현을 학습하지 못함을 확인했다.
• 모든 모델에서 두 클래스의 예측 분포가 유의미하게 겹쳐져 있었고, 일관된 결정 경계가 없었다.
• 다양한 랜덤 시드에 따라 모델 성능이 크게 변동하여, 불안정성과 일반화 부족을 시사했다.
• 결과적으로 BraTS 2021 데이터셋에서 MRI 영상의 외관과 MGMT 프로모터 메틸화 상태 간에 신뢰할 수 있는 상관관계가 존재하지 않는 것으로 나타났다.