[论文解读] Discovery Radiomics for Multi-Parametric MRI Prostate Cancer Detection

Audrey G. Chung, Mohammad Javad Shafiee+4 more|arXiv (Cornell University)|Sep 1, 2015

Radiomics and Machine Learning in Medical Imaging参考文献 38被引用 13

一句话总结

本文提出一种发现性放射组学框架，能够从多参数磁共振成像（MP-MRI）数据中自动生成定制化的放射组学序列，以提升前列腺癌的检测效果。通过使用深度卷积网络学习独特、肿瘤特异的特征，该方法优于现有最先进的手工设计放射组学序列，实现了64.00%的敏感度、82.48%的特异度和73.65%的准确率，且在敏感度和准确率方面均表现出统计学上显著的提升。

ABSTRACT

Prostate cancer is the most diagnosed form of cancer in Canadian men, and is the third leading cause of cancer death. Despite these statistics, prognosis is relatively good with a sufficiently early diagnosis, making fast and reliable prostate cancer detection crucial. As imaging-based prostate cancer screening, such as magnetic resonance imaging (MRI), requires an experienced medical professional to extensively review the data and perform a diagnosis, radiomics-driven methods help streamline the process and has the potential to significantly improve diagnostic accuracy and efficiency, and thus improving patient survival rates. These radiomics-driven methods currently rely on hand-crafted sets of quantitative imaging-based features, which are selected manually and can limit their ability to fully characterize unique prostate cancer tumour phenotype. In this study, we propose a novel extit{discovery radiomics} framework for generating custom radiomic sequences tailored for prostate cancer detection. Discovery radiomics aims to uncover abstract imaging-based features that capture highly unique tumour traits and characteristics beyond what can be captured using predefined feature models. In this paper, we discover new custom radiomic sequencers for generating new prostate radiomic sequences using multi-parametric MRI data. We evaluated the performance of the discovered radiomic sequencer against a state-of-the-art hand-crafted radiomic sequencer for computer-aided prostate cancer detection with a feedforward neural network using real clinical prostate multi-parametric MRI data. Results for the discovered radiomic sequencer demonstrate good performance in prostate cancer detection and clinical decision support relative to the hand-crafted radiomic sequencer. The use of discovery radiomics shows potential for more efficient and reliable automatic prostate cancer detection.

研究动机与目标

• 解决手工设计放射组学特征在捕捉独特前列腺肿瘤表型方面的局限性。
• 降低基于磁共振成像的前列腺癌诊断中观察者间与观察者内差异性。
• 通过多参数磁共振成像提升计算机辅助前列腺癌检测的诊断准确率与效率。
• 开发一种数据驱动框架，以发现针对前列腺癌特征的定制化放射组学序列。
• 通过先进的放射组学特征发现，实现更可靠、一致且个性化的癌症风险分层。

提出的方法

• 提出一种发现性放射组学框架，利用深度卷积网络直接从多参数磁共振成像数据中学习定制化放射组学序列。
• 在由所发现序列提取的放射组学特征上训练前馈神经网络，用于肿瘤候选分类。
• 采用留一患者交叉验证策略，在真实临床多参数磁共振成像数据上评估性能。
• 使用费希尔准则评估健康组织与癌变组织之间特征的可分性。
• 采用配对双侧t检验评估与基线手工设计放射组学序列相比，性能差异的统计显著性。
• 利用深度特征提取流程生成超越传统放射组学模型的高维、抽象影像特征。

实验结果

研究问题

• RQ1 发现性放射组学框架能否生成比手工设计特征更优的放射组学序列，以更好地区分健康与癌变前列腺组织？
• RQ2 所发现的放射组学序列在敏感度、特异度和准确率方面，与现有最先进的手工设计放射组学序列相比表现如何？
• RQ3 与现有方法相比，诊断性能的提升是否具有统计学显著性？
• RQ4 所发现的放射组学序列在多大程度上增强了恶性与良性组织之间特征的可分性？
• RQ5 该框架能否在关键诊断指标上实现比传统放射组学方法更均衡且一致的性能表现？

主要发现

• 所发现的放射组学序列在分类肿瘤候选时达到64.00%的敏感度、82.48%的特异度和73.65%的准确率，优于手工设计序列[30]和[31]。
• 与[30]相比，敏感度的提升具有统计学显著性（p = 0.0029），与[31]相比亦具有显著性（p = 0.0277），表明对癌变组织的检测能力更强。
• 与[30]相比，准确率的提升具有统计学显著性（p = 0.0133），表明整体分类性能得到增强。
• 所发现的放射组学序列获得最高的费希尔准则得分（0.0712），表明其在健康与癌变组织特征之间的可分性更优。
• 该方法在各项指标上的表现更为一致，而手工设计序列则表现出如特异度高但敏感度低的权衡现象。
• 结果表明，发现性放射组学能够生成更具生物学相关性、肿瘤特异性的特征，更好地反映前列腺癌潜在的表型多样性。