[論文レビュー] CNN-based Survival Model for Pancreatic Ductal Adenocarcinoma in Medical Imaging

Yucheng Zhang, Edrise M. Lobo-Mueller+4 more|arXiv (Cornell University)|Jun 25, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 28被引用数 7

ひとこと要約

本研究では、術前CT画像から再発性膵汎細胞癌（PDAC）患者の生存予後を予測するため、畳み込みニューラルネットワーク（CNN）を用いた深層学習ベースの生存モデルを提案する。トランスファー学習を活用したCNNモデルは、従来のコックス比例ハザード（CPH）レディオミクス手法と比較して、一致指数（concordance index）で22%の向上を示し、複雑な生存パターンへの適合性に優れ、多重共線性や線形仮定の制限を克服した。

ABSTRACT

Cox proportional hazard model (CPH) is commonly used in clinical research for survival analysis. In quantitative medical imaging (radiomics) studies, CPH plays an important role in feature reduction and modeling. However, the underlying linear assumption of CPH model limits the prognostic performance. In addition, the multicollinearity of radiomic features and multiple testing problem further impedes the CPH models performance. In this work, using transfer learning, a convolutional neural network (CNN) based survival model was built and tested on preoperative CT images of resectable Pancreatic Ductal Adenocarcinoma (PDAC) patients. The proposed CNN-based survival model outperformed the traditional CPH-based radiomics approach in terms of concordance index by 22%, providing a better fit for patients' survival patterns. The proposed CNN-based survival model outperforms CPH-based radiomics pipeline in PDAC prognosis. This approach offers a better fit for survival patterns based on CT images and overcomes the limitations of conventional survival models.

研究の動機と目的

• 膵汎細胞癌（PDAC）の生存解析において、線形仮定やレディオミクス特徴量の多重共線性に敏感な従来のコックス比例ハザード（CPH）モデルの限界を是正すること。
• 医療画像データにおける非線形関係をよりよく捉えることで、予後予測の正確性を向上させる深層学習ベースの生存モデルを開発すること。
• 術前CT画像からの生存予後予測において、CNNベースのアプローチと従来のCPHベースのレディオミクスパイプラインの性能を比較すること。
• PDACのような希少で攻撃的ながんにおける医療画像の生存モデリングにおいて、トランスファー学習の実用性と優位性を示すこと。

提案手法

• 再発性PDAC患者の術前CT画像を用いて、事前学習済みの畳み込みニューラルネットワーク（CNN）をトランスファー学習により微調整した。
• CNNは、手動によるレディオミクス特徴量抽出を回避し、医療画像から階層的特徴量を直接抽出した。
• 生存ヘッドをCNNに追加し、イベント発生までの時間を予測するため、ハザード関数をエンドツーエンドでモデル化した。
• 生存データの打ち切りに適した尤度ベースの損失関数を用いてモデルを訓練した。
• 性能評価には、生存モデルのキャリブレーションと識別能を評価する標準指標である一致指数（C-index）を用いた。
• 同じデータセットと評価プロトコルを用いて、従来のCPHベースのレディオミクスパイプラインと比較した。

実験結果

リサーチクエスチョン

• RQ1 CNNベースの深層学習モデルは、再発性PDAC患者の生存予測において、従来のCPHベースのレディオミクスを上回ることができるか？
• RQ2 医療画像の事前学習からのトランスファー学習は、限られたPDACデータセットにおいても生存予測性能を向上させることができるか？
• RQ3 CNNモデルは、CPHモデルに内在する多重共線性や線形仮定の問題をどの程度軽減できるか？
• RQ4 一致指数および生存パターンへの適合性の観点から、モデルの性能は標準的なレディオミクスパイプラインと比べてどの程度優れているか？

主な発見

• CNNベースの生存モデルは、従来のCPHベースのレディオミクスパイプラインと比較して、一致指数で22%の向上を示した。
• 本研究で提案されたモデルは、PDAC患者における複雑で非線形な生存パターンへの適合性が、線形モデルよりも優れていた。
• CT画像から特徴量を直接学習することで、手作業によるレディオミクス特徴量への依存を低減し、多重共線性の問題を緩和した。
• トランスファー学習の活用により、再発性PDAC症例の相対的に少ないデータセットでも、効果的な特徴量学習が可能になった。