[논문 리뷰] Machine Learning-Assisted Recurrence Prediction for Early-Stage Non-Small-Cell Lung Cancer Patients

Adrianna Janik, María Torrente외 15명|arXiv (Cornell University)|2022. 11. 17.

Radiomics and Machine Learning in Medical Imaging인용 수 11

한 줄 요약

이 연구는 스페인 환자 1,387명의 임상 데이터를 사용하여 조기병행 비소세포성 폐암(NSCLC) 환자의 복귀를 예측하기 위해 표 형태 및 그래프 기반 기계학습 모델을 개발하고 평가한다. 최고의 성능을 보인 모델은 표 형태 데이터에 대한 랜덤 포레스트로, 10겹 교차검증에서 76%의 정확도를 기록했으며, SHAP 및 예시 기반 설명을 통해 임상적 의사결정 지원을 위한 해석 가능성 향상이 이루어졌다.

ABSTRACT

Background: Stratifying cancer patients according to risk of relapse can personalize their care. In this work, we provide an answer to the following research question: How to utilize machine learning to estimate probability of relapse in early-stage non-small-cell lung cancer patients? Methods: For predicting relapse in 1,387 early-stage (I-II), non-small-cell lung cancer (NSCLC) patients from the Spanish Lung Cancer Group data (65.7 average age, 24.8% females, 75.2% males) we train tabular and graph machine learning models. We generate automatic explanations for the predictions of such models. For models trained on tabular data, we adopt SHAP local explanations to gauge how each patient feature contributes to the predicted outcome. We explain graph machine learning predictions with an example-based method that highlights influential past patients. Results: Machine learning models trained on tabular data exhibit a 76% accuracy for the Random Forest model at predicting relapse evaluated with a 10-fold cross-validation (model was trained 10 times with different independent sets of patients in test, train and validation sets, the reported metrics are averaged over these 10 test sets). Graph machine learning reaches 68% accuracy over a 200-patient, held-out test set, calibrated on a held-out set of 100 patients. Conclusions: Our results show that machine learning models trained on tabular and graph data can enable objective, personalised and reproducible prediction of relapse and therefore, disease outcome in patients with early-stage NSCLC. With further prospective and multisite validation, and additional radiological and molecular data, this prognostic model could potentially serve as a predictive decision support tool for deciding the use of adjuvant treatments in early-stage lung cancer. Keywords: Non-Small-Cell Lung Cancer, Tumor Recurrence Prediction, Machine Learning

연구 동기 및 목표

• 기존의 단순 스테이징을 초월하여 조기병행 NSCLC 환자에 대한 개인화된 복귀 위험 예측을 향상시키기 위해.
• 수술 후 치료가 가능함에도 불구하고 30–55%의 환자에서 재발률이 높은 문제를 해결하기 위해.
• 임상 데이터를 사용하여 객관적이고 재현 가능하며 설명 가능한 기계학습 모델을 개발하여 재발 예측을 위해.
• 표 형태 및 그래프 기반 학습 접근 방식을 통합하여 환자 수준 및 인구집단 수준의 복잡한 관계를 포착하기 위해.
• 개별화된 재발 위험 점수를 제공하여 보조 치료에 대한 임상적 의사결정 지원을 위해.

제안 방법

• 스페인 폐암 그룹의 흉부 종양 등록부에서 확보한 1,387명의 조기병행 NSCLC 환자 임상 특징을 기반으로 표 형태 기계학습 모델(랜덤 포레스트 포함)을 훈련시켰다.
• 표 형태 모델 예측의 국소적, 특징 수준의 설명을 생성하기 위해 SHAP(SHapley Additive exPlanations)를 적용했다.
• 환자와 임상 개념을 지식 그래프로 표현하는 그래프 기계학습 모델을 개발하여 장거리 의존성을 포착했다.
• 그래프 모델 예측의 해석 가능성을 향상시키기 위해 영향력 있는 과거 환자들을 검색하고 비교하는 예시 기반 설명 방법을 사용했다.
• 표 형태 모델은 10겹 교차검증을, 그래프 모델은 200명의 별도 테스트 세트를 사용했으며, 보정은 100명의 환자 세트에서 수행했다.
• 비교적 복잡한 시간-이벤트 분석을 최소화하기 위해 재발 여부(예/아님)에 대한 이진 예측에 집중했다.

실험 결과

연구 질문

• RQ1 표 형태 임상 데이터에 기반한 기계학습 모델이 기존의 단순 스테이징에 비해 조기병행 NSCLC 환자에서 재발 예측 정확도를 향상시킬 수 있는가?
• RQ2 이질적인 임상 및 인구집단 수준의 데이터를 통합한 그래프 기반 기계학습 모델이 표 형태 모델을 초월하여 재발 예측 성능을 향상시킬 수 있는가?
• RQ3 설명 가능한 AI 기법을 통해 모델 예측을 어떻게 해석 가능하고 임상적으로 활용 가능하게 만들 수 있는가?
• RQ4 실제 임상 환경의 후향적 코hort에서 설명 가능한 모델의 재발 예측 성능는 어떠한가?
• RQ5 이러한 모델은 저위험 및 고위험 환자에 대한 보조 치료에 대한 개인화된 의사결정을 지원할 수 있는가?

주요 결과

• 표 형태 데이터에 기반한 랜덤 포레스트 모델은 10겹 교차검증에서 76%의 정확도를 기록하여 뛰어난 예측 성능를 입증했다.
• 그래프 기계학습 모델은 별도의 테스트 세트 200명에서 68%의 정확도를 기록했으며, 표 형태 모델보다 성능가 낮지만 잠재력이 있음을 보였다.
• SHAP 설명은 개별 재발 위험 예측에 기여하는 핵심 임상 특징을 드러내어 모델의 투명성을 향상시켰다.
• 예시 기반 설명은 영향력 있는 과거 환자들을 성공적으로 검색하고 강조하여 그래프 모델 출력의 해석 가능성을 향상시켰다.
• 모델은 단일 국가의 코hort(스페인)에서 훈련되었기 때문에 일반화에 대한 인구 통계적 제약이 있을 수 있다.
• 미래에는 영상의학적 및 분자 생물학적 데이터의 통합이 모델 성능 및 임상적 유용성을 더욱 향상시킬 것으로 기대된다.