[논문 리뷰] Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance Learning and Radiomics

Junhua Chen, Haiyan Zeng외 5명|arXiv (Cornell University)|2021. 04. 29.

Radiomics and Machine Learning in Medical Imaging참고 문헌 43인용 수 5

한 줄 요약

이 논문은 폐암 진료를 더 잘 반영하기 위해 병변군 분류로 진료를 모델링하는 딥 레이어 기반의 다중 예제 학습(MIL) 프레임워크를 제안한다. 이 프레임워크는 방사선학적 특징을 통합하여 AUC 0.842(SD 0.074)의 성능을 달성했으며, 주요 병변을 강조함으로써 해석 가능성도 향상시켰다. 이는 소규모이고 불균형한 데이터셋에서 기존의 MIL 기반 방법보다 뛰어난 성능을 보였다. 이는 새로운 백 시뮬레이션 오버샘플링 전략을 통해 달성되었다.

ABSTRACT

Early diagnosis of lung cancer is a key intervention for the treatment of lung cancer computer aided diagnosis (CAD) can play a crucial role. However, most published CAD methods treat lung cancer diagnosis as a lung nodule classification problem, which does not reflect clinical practice, where clinicians diagnose a patient based on a set of images of nodules, instead of one specific nodule. Besides, the low interpretability of the output provided by these methods presents an important barrier for their adoption. In this article, we treat lung cancer diagnosis as a multiple instance learning (MIL) problem in order to better reflect the diagnosis process in the clinical setting and for the higher interpretability of the output. We chose radiomics as the source of input features and deep attention-based MIL as the classification algorithm.The attention mechanism provides higher interpretability by estimating the importance of each instance in the set for the final diagnosis.In order to improve the model's performance in a small imbalanced dataset, we introduce a new bag simulation method for MIL.The results show that our method can achieve a mean accuracy of 0.807 with a standard error of the mean (SEM) of 0.069, a recall of 0.870 (SEM 0.061), a positive predictive value of 0.928 (SEM 0.078), a negative predictive value of 0.591 (SEM 0.155) and an area under the curve (AUC) of 0.842 (SEM 0.074), outperforming other MIL methods.Additional experiments show that the proposed oversampling strategy significantly improves the model's performance. In addition, our experiments show that our method provides an indication of the importance of each nodule in determining the diagnosis, which combined with the well-defined radiomic features, make the results more interpretable and acceptable for doctors and patients.

연구 동기 및 목표

• 기존의 CAD 시스템이 폐암 진료를 단일 병변 분류로 다루는 데서 비롯하는 임상 실무와의 괴리 문제를 해결하기 위해, 폐암 진료를 다중 병변 평가로 모델링하는 것.
• 최종 진료 결정에 가장 기여하는 병변을 특정함으로써 모델의 해석 가능성 향상.
• 폐암 진료에서 흔한 소규모이고 불균형한 데이터셋에서 성능 향상을 위해 새로운 데이터 증강 전략을 도입하는 것.
• 다중 예제 학습 프레임워크 내에서 방사선학적 특징과 딥 어텐션 기반 기법을 융합하여 강력하고 임상적으로 관련성이 있는 분류를 수행하는 것.

제안 방법

• 모든 환자를 폐 병변군으로 간주하며, 각 병변은 CT 영상에서 추출한 방사선학적 특징으로 표현된다.
• 다중 예제 학습 프레임워크 내에서 딥 어텐션 메커니즘을 적용하여 개별 병변의 중요도 가중치를 학습함으로써 최종 진료 예측에 기여하는 요소를 파악한다.
• 학습 데이터에서 소수의 클래스를 오버샘플링하기 위해 새로운 백 시뮬레이션 방법을 도입하여 불균형 데이터셋에서의 일반화 능력을 향상시킨다.
• 전체 병변 수준의 특징을 환자 수준의 예측으로 통합하기 위해 글로벌 어텐션 풀링 레이어를 사용하며, 이는 주요 병변을 강조함으로써 해석 가능성 향상에 기여한다.
• 일관성과 임상적 관련성을 확보하기 위해 표준화된 파이프라인을 사용해 방사선학적 특징을 추출한다.
• 어텐션 정규화를 통한 손실 함수 최적화를 통해 특징의 분류 능력을 향상시키기 위해 교차 엔트로피 손실을 사용해 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 어떤 어텐션 메커니즘을 갖춘 다중 예제 학습 프레임워크가 단일 병변 분류보다 임상적 진료 과정을 더 잘 반영할 수 있는가?
• RQ2 딥 어텐션과 방사선학적 특징을 융합함으로써 폐암 검출의 진단 성능과 해석 가능성은 향상되는가?
• RQ3 제안된 백 시뮬레이션 오버샘플링 전략은 소규모이고 불균형한 폐암 데이터셋에서 모델 성능 향상에 얼마나 효과적인가?
• RQ4 어떤 정도로 어텐션 가중치가 병변이 진료 결정에 기여하는지를 임상적으로 의미 있는 통찰을 제공할 수 있는가?

주요 결과

• 제안된 방법은 테스트 세트에서 평균 정확도 0.807과 평균 표준오차(SEM) 0.069를 기록했다.
• 모델은 재현율 0.870(SEM 0.061)을 보이며, 양성 사례 탐지 능력이 뛰어나다는 것을 나타낸다.
• 양성 예측도는 0.928(SEM 0.078)에 도달하여, 양성 예측에 높은 신뢰도를 보였다.
• ROC 곡선 아래 면적(AUC)은 0.842(SEM 0.074)였으며, 기준 MIL 방법보다 뛰어난 성능을 보였다.
• 제안된 백 시뮬레이션 오버샘플링 전략은 특히 클래스 불균형 문제를 다룰 때 모델 성능 향상에 뚜렷한 기여를 하였다.
• 어텐션 가중치는 가장 영향력 있는 병변을 강조함으로써 해석 가능한 통찰을 제공하여 임상적 신뢰도와 수용도를 높였다.