[논문 리뷰] Survival Prediction Across Diverse Cancer Types Using Neural Networks

Yan Xu, Weimin Wang외 3명|arXiv (Cornell University)|2024. 04. 11.

Radiomics and Machine Learning in Medical Imaging인용 수 5

한 줄 요약

논문은 그래프 컨볼루션 신경망(GCN) 접근법을 위암(STAD)과 대장 선암종(COAD)의 원슬라이드 이미지(WSI)에 적용하여 5년 생존을 예측하고 CNN 기초선보다 우수성을 보인다.

ABSTRACT

Gastric cancer and Colon adenocarcinoma represent widespread and challenging malignancies with high mortality rates and complex treatment landscapes. In response to the critical need for accurate prognosis in cancer patients, the medical community has embraced the 5-year survival rate as a vital metric for estimating patient outcomes. This study introduces a pioneering approach to enhance survival prediction models for gastric and Colon adenocarcinoma patients. Leveraging advanced image analysis techniques, we sliced whole slide images (WSI) of these cancers, extracting comprehensive features to capture nuanced tumor characteristics. Subsequently, we constructed patient-level graphs, encapsulating intricate spatial relationships within tumor tissues. These graphs served as inputs for a sophisticated 4-layer graph convolutional neural network (GCN), designed to exploit the inherent connectivity of the data for comprehensive analysis and prediction. By integrating patients' total survival time and survival status, we computed C-index values for gastric cancer and Colon adenocarcinoma, yielding 0.57 and 0.64, respectively. Significantly surpassing previous convolutional neural network models, these results underscore the efficacy of our approach in accurately predicting patient survival outcomes. This research holds profound implications for both the medical and AI communities, offering insights into cancer biology and progression while advancing personalized treatment strategies. Ultimately, our study represents a significant stride in leveraging AI-driven methodologies to revolutionize cancer prognosis and improve patient outcomes on a global scale.

연구 동기 및 목표

• AI 및 영상 데이터를 이용한 위암과 대장 선암종의 정확한 예후 예측 필요성에 대하여 다룬다.
• WSI를 활용하여 생존 분석을 위한 풍부한 종양 특성을 추출한다.
• 종양 조직 내 공간 관계를 모델링하기 위한 환자 수준 그래프를 구성한다.
• 생존 예측을 위해 그래프 컨볼루션 신경망(GCN)을 적용하고 CNN 기초선과 비교한다.

제안 방법

• WSI를 전처리하여 이미지를 분절하고 ImageNet에서 사전 학습된 ResNet50으로 슬라이스당 1024차원 특징을 추출한다.
• WSI 슬라이스를 인접한 8개 슬라이스와 연결된 노드로 간주하여 환자 수준 그래프를 구성한다.
• 하나의 환자 그래프에 해당 환자의 모든 WSI를 모아 4층 Patch-GCN과 생존 분석을 위한 Cox 비례 위험층을 학습한다.
• 일치성 지수(C-Index)와 ROC/AUC 곡선을 5-fold 교차 검증으로 평가하고 4:1 학습-테스트 분할을 적용한다.
• GCN의 성능을 원시 WSI 데이터에서 학습된 CNN 기초선과 비교한다.

실험 결과

연구 질문

• RQ1 WSI의 그래프 기반 표현이 전통적인 CNN보다 STAD(위암) 및 COAD(대장 선암종)의 생존 예측을 향상시킬 수 있는가?
• RQ2 4층 GCN을 사용하는 것이 이러한 암 유형의 생존 예측 정확도에 미치는 영향은 무엇인가?
• RQ3 STAD 및 COAD에 대해 GCN의 C-index 값이 동일한 데이터의 CNN 모델과 비교해 어떠한 차이를 보이는가?

주요 결과

• GCN 모델은 STAD에서 0.64의 C-index를 달성했고 COAD에서 0.57의 C-index를 달성했다.
• CNN 기초선은 STAD에서 0.62의 C-index를 달성했고 COAD에서 0.53의 C-index를 달성했다.
• 두 암 유형 모두에서 생존 예측에 대해 CNN보다 GCN이 우수한 성능을 보였다.
• 모델 간 성능 차이를 시각화하기 위해 ROC 곡선(AUC)을 작성하였다.