[論文レビュー] Discovery Radiomics for Computed Tomography Cancer Detection

Devinder Kumar, Mohammad Javad Shafiee+4 more|arXiv (Cornell University)|Sep 1, 2015

Radiomics and Machine Learning in Medical Imaging被引用数 26

ひとこと要約

本研究では、肺腫瘍を悪性または良性に分類するために、CTスキャンからカスタムレディオミック・シーケンサを自動で発見する、深層学習に基づく新規なアプローチ「ディスcovery・レディオミクス」を提案する。LIDC-IDRIデータセットを用いた深層畳み込みニューラルネットワークの応用により、10分割交差検証で77.52%の正答率、79.06%の感度、76.11%の特異度を達成し、最先端の手法を上回る性能を示した。

ABSTRACT

Objective: Lung cancer is the leading cause for cancer related deaths. As such, there is an urgent need for a streamlined process that can allow radiologists to provide diagnosis with greater efficiency and accuracy. A powerful tool to do this is radiomics. Method: In this study, we take the idea of radiomics one step further by introducing the concept of discovery radiomics for lung cancer detection using CT imaging data. Rather than using pre-defined, hand-engineered feature models as with current radiomics-driven methods, we discover custom radiomic sequencers that can generate radiomic sequences consisting of abstract imaging-based features tailored for characterizing lung tumour phenotype. In this study, we realize these custom radiomic sequencers as deep convolutional sequencers using a deep convolutional neural network learning architecture based on a wealth of CT imaging data. Results: To illustrate the prognostic power and effectiveness of the radiomic sequences produced by the discovered sequencer, we perform a classification between malignant and benign lesions from 93 patients with diagnostic data from the LIDC-IDRI dataset. Using the clinically provided diagnostic data as ground truth, proposed framework provided an average accuracy of 77.52% via 10-fold cross-validation with a sensitivity of 79.06% and specificity of 76.11%. We also perform quantitative analysis to establish the effectiveness of the radiomics sequences. Conclusion: The proposed framework outperforms the state-of-the art approach for lung lesion classification. Significance: These results illustrate the potential for the proposed discovery radiomics approach in aiding radiologists in improving screening efficiency and accuracy.

研究の動機と目的

• 医用画像を用いた肺がん診断における精度と効率の向上に向けた緊急のニーズに対応すること。
• 従来のレディオミクスが手作業で設計された事前定義された特徴量に依存するという限界を克服すること。
• 肺腫瘍の表現型に適合した最適なレディオミック・シーケンスを自動で発見するデータ駆動型フレームワークの開発。
• CT画像を用いた放射線科医のスクリーニング効率と診断精度の向上。

提案手法

• フレームワークは、CT画像データから直接カスタムレディオミック・シーケンサを学習する深層畳み込みニューラルネットワーク（DCNN）を採用する。
• DCNNアーキテクチャは、肺のCTスキャンの大規模データセット上で訓練され、抽象的で画像に基づく特徴量を抽出する。
• 学習されたシーケンサによってレディオミック・シーケンスが生成され、複雑な腫瘍表現型パターンを表現する。
• 生のまたは事前処理済みのCTデータからエンドツーエンドに特徴表現を学習することで、手作業による特徴量設計を回避する。
• LIDC-IDRIデータセットの診断の真値を用いて、モデルの性能を評価するため10分割交差検証を実施する。
• 標準指標である正答率、感度、特異度を用いてフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型でエンドツーエンドの深層学習アプローチは、従来の手作業による特徴量設計に比べ、肺腫瘍分類に効果的なレディオミック・シーケンスをより効果的に発見できるか？
• RQ2 発見されたレディオミック・シーケンサの性能は、悪性と良性の肺病変を区別する観点で、最先端のレディオミクス手法と比較してどうなるか？
• RQ3 提案されたディスコベリー・レディオミクスフレームワークは、CTスキャンを用いた肺がんスクリーニングにおいて、診断精度と感度をどの程度向上できるか？
• RQ4 学習されたシーケンサによって生成されたレディオミック・シーケンスの臨床的分類タスクにおける予後的価値は何か？

主な発見

• 提案されたディスコベリー・レディオミクスフレームワークは、10分割交差検証を用いた肺病変の悪性・良性分類において、平均77.52%の正答率を達成した。
• モデルは79.06%の感度を示し、悪性腫瘍を正確に同定できる能力が優れていることがわかった。
• 特異度は76.11%で、良性病変の信頼性ある検出を示している。
• LIDC-IDRIデータセットを用いた肺病変分類において、既存の最先端のアプローチを上回る性能を示した。
• 定量的分析により、発見されたシーケンサによって生成されたレディオミック・シーケンスの有効性と予後的パワーが確認された。
• 結果から、ディスコベリー・レディオミクスは、放射線科スクリーニングの効率と診断精度を顕著に向上させられると示唆された。