[论文解读] Is it Possible to Predict MGMT Promoter Methylation from Brain Tumor MRI Scans using Deep Learning Models?

Numan Saeed, Shahad Hardan+2 more|arXiv (Cornell University)|Jan 16, 2022

Brain Tumor Detection and Classification被引用 7

一句话总结

本研究探究了深度学习模型是否能仅通过脑肿瘤MRI扫描预测MGMT启动子甲基化状态，使用BraTS 2021数据集。尽管测试了2D/3D卷积神经网络、自监督学习和视觉Transformer模型，所有模型的AUC得分均接近0.60——与随机猜测无异，表明MRI扫描本身不存在可靠的预测信号。

ABSTRACT

Glioblastoma is a common brain malignancy that tends to occur in older adults and is almost always lethal. The effectiveness of chemotherapy, being the standard treatment for most cancer types, can be improved if a particular genetic sequence in the tumor known as MGMT promoter is methylated. However, to identify the state of the MGMT promoter, the conventional approach is to perform a biopsy for genetic analysis, which is time and effort consuming. A couple of recent publications proposed a connection between the MGMT promoter state and the MRI scans of the tumor and hence suggested the use of deep learning models for this purpose. Therefore, in this work, we use one of the most extensive datasets, BraTS 2021, to study the potency of employing deep learning solutions, including 2D and 3D CNN models and vision transformers. After conducting a thorough analysis of the models' performance, we concluded that there seems to be no connection between the MRI scans and the state of the MGMT promoter.

研究动机与目标

• 确定仅使用MRI扫描的深度学习模型是否能准确预测MGMT启动子甲基化状态。
• 评估多种架构（包括2D和3D残差网络-10、视觉Transformer及自监督学习方法）在BraTS 2021数据集上的性能。
• 探究MRI影像中的放射学特征是否与MGMT启动子甲基化相关，后者是胶质母细胞瘤治疗反应的关键生物标志物。
• 评估模型的可解释性与特征学习能力，以判断模型能否区分甲基化与未甲基化病例。

提出的方法

• 使用BraTS 2021数据集，其中包含多序列MRI扫描（T1、T2、FLAIR、增强后）及临床标注。
• 训练并评估多种深度学习架构：2D和3D ResNet-10、视觉Transformer（ViT）以及一种自监督学习方法。
• 采用5折交叉验证并使用10个不同的随机种子，以确保结果稳健性并减少过拟合。
• 使用二元交叉熵（BCE）损失进行训练，并计算AUC、准确率、精确率和召回率以评估模型性能。
• 采用t-SNE可视化技术分析特征图，评估潜在表示中类别的可分性。
• 分析训练损失曲线，以诊断模型收敛情况并识别随机预测行为。

实验结果

研究问题

• RQ1 仅基于MRI扫描训练的深度学习模型是否能以临床可用的准确度预测MGMT启动子甲基化状态？
• RQ2 2D和3D卷积神经网络、视觉Transformer及自监督模型是否能从MRI数据中学习到该任务的判别性特征？
• RQ3 甲基化与未甲基化病例之间的模型性能是否存在统计学上显著的差异？
• RQ4 模型隐藏层中学习到的特征是否在两个甲基化类别间表现出有意义的分离？
• RQ5 观察到的性能表现是源于随机预测，还是数据中根本不存在相关性？

主要发现

• 所有测试模型的AUC值在0.54至0.59之间，表明性能与随机猜测无异。
• 各模型的平均训练损失稳定在约0.70，接近在类别分布均衡情况下的理论随机损失值0.69。
• 对特征图进行t-SNE可视化显示，深层特征中未见类别分离，证实模型未能学习到判别性表征。
• 所有模型中，两类别的预测分布显著重叠，且无一致的决策边界。
• 模型性能在不同随机种子下波动极大，表明其不稳定且泛化能力差。
• 结果表明，BraTS 2021数据集中MRI影像表现与MGMT启动子甲基化状态之间不存在可靠相关性。