[논문 리뷰] Lymph Node Graph Neural Networks for Cancer Metastasis Prediction

Michal Kazmierski, Benjamin Haibe‐Kains|arXiv (Cornell University)|2021. 06. 03.

Radiomics and Machine Learning in Medical Imaging참고 문헌 24인용 수 7

한 줄 요약

이 논문은 두개부위 암에서 전이성 림프절(LN)과 원발 종양 간의 해부학적 관계를 그래프로 표현하여 림프절 전이 확산을 모델링하는 그래프 신경망(Gated-GCN)을 제안한다. 모델은 2년 내 전이 예측에서 AUROC 0.757, 생애 전반의 위험 예측에서 C-index 0.725를 기록하며, 개별 림프절 특징과 엣지 게이팅 컨볼루션 및 소프트 어텐션 메커니즘을 통한 연결성 정보를 융합함으로써 전통적인 예후 인자와 그래프 무관 모델을 능가한다.

ABSTRACT

Predicting outcomes, such as survival or metastasis for individual cancer patients is a crucial component of precision oncology. Machine learning (ML) offers a promising way to exploit rich multi-modal data, including clinical information and imaging to learn predictors of disease trajectory and help inform clinical decision making. In this paper, we present a novel graph-based approach to incorporate imaging characteristics of existing cancer spread to local lymph nodes (LNs) as well as their connectivity patterns in a prognostic ML model. We trained an edge-gated Graph Convolutional Network (Gated-GCN) to accurately predict the risk of distant metastasis (DM) by propagating information across the LN graph with the aid of soft edge attention mechanism. In a cohort of 1570 head and neck cancer patients, the Gated-GCN achieves AUROC of 0.757 for 2-year DM classification and $C$-index of 0.725 for lifetime DM risk prediction, outperforming current prognostic factors as well as previous approaches based on aggregated LN features. We also explored the importance of graph structure and individual lymph nodes through ablation experiments and interpretability studies, highlighting the importance of considering individual LN characteristics as well as the relationships between regions of cancer spread.

연구 동기 및 목표

• 표준 임상 및 영상 특징을 초월하는 다중 모odal 데이터 통합을 통해 두개부위 암에서의 전이성 전이(DM) 예측을 향상시키기 위해.
• 전이성 림프절(LNs) 간의 공간적 및 해부학적 관계를 그래프 구조로 모델링하여 질병 전파 패턴을 포착하기 위해.
• 기존의 집계된 림프절 특징이나 임상 인자에 의존하는 방법보다 우수한 성능을 보이는 그래프 기반 기계학습 프레임워크를 개발하기 위해.
• 해석 가능성 및 아블레이션 연구를 통해 개별 림프절과 그래프 구조의 기여도를 조사하기 위해.

제안 방법

• 노드로 원발 종양과 전이성 림프절을 포함한 환자별 특화된 무방향 그래프를 구축하였으며, 엣지는 3차원 중심점 거리(최근접 K개) 또는 완전 연결 기반으로 설정하였다.
• 각 노드에 11개의 레이디오믹 특징, 중심점 좌표, 중앙선까지의 부호 거리, 림프절 수준(해부학적 위치)를 포함한 특징 벡터를 할당하였다.
• 학습 가능한 어텐션 가중치를 사용해 연결된 노드 간 메시지 전달을 동적으로 조절하는 엣지 게이팅 그래프 컨volution 네트워크(Gated-GCN)를 적용하였다.
• 나이, 단계 등의 임상 메타데이터를 그래프 임bedded 특징과 다중 작업 학습을 통해 융합하여 2년 내 DM 분류 및 생애 전반의 위험 예측에 활용하였다.
• 기여도 계산 및 예측에서 노드 수준의 중요도 평가를 위해 통합 기울기 기반의 해석 가능성을 확보하였다.
• 1,570명의 두개부위 암 환자 코hort에서 5개의 교차 검증을 통해 모델을 훈련하였으며, 전이 사건 수는 259건이었다.

실험 결과

연구 질문

• RQ1 전이성 림프절 간의 해부학적 연결성을 모델링하면 두개부위 암에서 전이성 전이 예측 성능이 향상되는가?
• RQ2 개별 림프절 영상 특징과 그 관계가 집계된 림프절 특징보다 예후 성능에서 어떻게 비교되는가?
• RQ3 개별 림프절과 그래프 구조가 모델의 예측 정확도에 기여하는 상대적 기여도는 어떠한가?
• RQ4 영상 생물지표와 임상 인자가 모델 예측에 공동으로 영향을 미치는 정도는 어느 정도인가?

주요 결과

• Gated-GCN은 2년 내 전이 예측에서 AUROC 0.757을 기록하였으며, 그래프에 의존하지 않는 신경망 기반 모델(auROC = 0.726)보다 유의미하게 뛰어난 성능을 보였다.
• 생애 전반의 전이 위험 예측에서 C-index 0.725를 달성하였으며, 임상 정보만을 사용한 기반 모델(C-index = 0.648)을 초월하였다.
• 아블레이션 연구 결과, 그래프 구조와 개별 림프절 특징 모두 성능 향상에 기여하였으며, 완전한 그래프 연결성이 가장 우수한 결과를 도출하였다.
• 해석 가능성 분석 결과, 일부 개별 림프절이 원발 종양보다 60% 이상 높은 기여도 점수를 기록하여 예후 중요도의 변동성을 시사하였다.
• 모델은 영상 이질성 특징 2개와 영역 가장자리 측정치를 일관되게 높은 중요도 특징으로 식별하였다.
• K=2, K=3, 완전 연결 등 다양한 그래프 구조에서 성능이 안정적으로 유지되어 엣지 게이팅 메커니즘이 다양한 연결 패턴을 효과적으로 처리함을 시사하였다.