[論文レビュー] Deep segmentation networks predict survival of non-small cell lung cancer

Stephen Baek, Yusen He+14 more|arXiv (Cornell University)|Mar 26, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 39被引用数 5

ひとこと要約

本研究では、非小細胞肺がん（NSCLC）の生存予測特徴を抽出するために、PET/CT画像と医師がラベル付けした腫瘍領域のみを用いて学習したU-Netベースの畳み込みニューラルネットワーク（CNN）を用いた深層学習フレームワークを提案する。この手法は、2年および5年生存率（全生存および疾患特異的生存）と強く相関する高リスク腫瘍領域を特定し、画像情報以外の臨床データに依存せずに、強固な予後予測性能を達成する。

ABSTRACT

Non-small-cell lung cancer (NSCLC) represents approximately 80-85% of lung cancer diagnoses and is the leading cause of cancer-related death worldwide. Recent studies indicate that image-based radiomics features from positron emission tomography-computed tomography (PET/CT) images have predictive power on NSCLC outcomes. To this end, easily calculated functional features such as the maximum and the mean of standard uptake value (SUV) and total lesion glycolysis (TLG) are most commonly used for NSCLC prognostication, but their prognostic value remains controversial. Meanwhile, convolutional neural networks (CNN) are rapidly emerging as a new premise for cancer image analysis, with significantly enhanced predictive power compared to other hand-crafted radiomics features. Here we show that CNN trained to perform the tumor segmentation task, with no other information than physician contours, identify a rich set of survival-related image features with remarkable prognostic value. In a retrospective study on 96 NSCLC patients before stereotactic-body radiotherapy (SBRT), we found that the CNN segmentation algorithm (U-Net) trained for tumor segmentation in PET/CT images, contained features having strong correlation with 2- and 5-year overall and disease-specific survivals. The U-net algorithm has not seen any other clinical information (e.g. survival, age, smoking history) than the images and the corresponding tumor contours provided by physicians. Furthermore, through visualization of the U-Net, we also found convincing evidence that the regions of progression appear to match with the regions where the U-Net features identified patterns that predicted higher likelihood of death. We anticipate our findings will be a starting point for more sophisticated non-intrusive patient specific cancer prognosis determination.

研究の動機と目的

• 治療開始前のPET/CT画像と医師がラベル付けした腫瘍領域のみを用いて、非小細胞肺がん（NSCLC）の予後予測のための解釈可能な深層学習フレームワークを開発すること。
• 深層ニューラルネットワークの活性化から得られる画像ベースの特徴を同定し、NSCLC患者の2年および5年生存率（全生存および疾患特異的生存）と強く相関させる。
• 活性化マックスマイゼーションとガイドドバックプロパゲーションを用いて、死亡リスクが高くなると予測される腫瘍内領域を可視化・解釈すること。
• スタンフォードがん研究所の独立外部データセットを用いて、モデルの汎化性能を検証すること。
• エンドツーエンドに学習されたU-Net特徴が、SUVmax、SUVmean、TLGといった従来のレディオミクス指標を上回る予後予測の正確性を示すことを実証すること。

提案手法

• U-Netアーキテクチャを用い、臨床的アウトカムデータを一切使用せずに、医師がラベル付けした腫瘍領域のみを用いて、3次元治療開始前のPET/CT画像における腫瘍セグメンテーションを学習した。
• 学習済みU-Netエンコーダーのボトルネック層から、階層的で空間的に局所化された画像パターンを表す潜在特徴を抽出した。
• 類似する潜在特徴をグループ化するためのクラスタリング手法（シルエット法）を適用し、各クラスタの代表としてメドイドを選択した。
• 冗長性を罰則するLASSO回帰を用いて、メドイドから最も関連性の高い特徴を選択し、モデルの解釈性を向上させた。
• LASSOで選択された特徴を用いてロジスティック回帰モデルを学習し、2年および5年生存の二値ラベル（生存／死亡）を予測した。
• 活性化マックスマイゼーションとReLU正則化を施したガイドドバックプロパゲーションを用いて、死亡リスクが高くなると予測される腫瘍内の高リスク領域をマップ化した。

実験結果

リサーチクエスチョン

• RQ1 PET/CT画像と腫瘍領域のラベルのみで学習されたU-Netベースの深層学習モデルは、NSCLC患者の生存予後を高い精度で予測できるか？
• RQ2 U-Netが学習した潜在特徴は、2年および5年生存率（全生存および疾患特異的生存）と有意に相関しているか？
• RQ3 モデルは、死亡リスクが高くなると予測される特定の腫瘍サブ領域を同定・可視化できるか？
• RQ4 深層学習から得られる特徴は、SUVmax、SUVmean、TLGといった従来のレディオミクス指標を上回る予後予測の正確性を示すか？
• RQ5 モデルの予測性能は、異なる機関の独立外部データセットに対しても汎用可能か？

主な発見

• U-Netから得られた特徴は、立体的体積線形放射線治療を受療した96例のNSCLC患者群において、2年および5年全生存および疾患特異的生存と強い相関を示した。
• モデルは強固な予後予測性能を示し、スタンフォードがん研究所の独立外部データセットでも検証され、汎用性が確認された。
• 活性化マックスマイゼーションにより、最も予測能の高い特徴が転移および再発に関連する領域のパターンに対応していることが判明し、生物学的妥当性が裏付けられた。
• ガイドドバックプロパゲーションにより、原発腫瘍内および周辺の高リスクサブ領域を示すリスクマップが可視化され、死亡確率への寄与度が高くなった。
• LASSOで選択されたU-Net特徴は、SUVmax、SUVmean、TLGといった従来のレディオミクス指標を上回る予後予測の正確性を示した。
• 本研究では、セグメンテーションのためだけに学習されたU-Netから得られる深層特徴が、非常に予測能が高く、解釈可能で臨床的意義のあるNSCLCの生存バイオマーカーを提供できることを示した。