[论文解读] Multiparametric Deep Learning and Radiomics for Tumor Grading and Treatment Response Assessment of Brain Cancer: Preliminary Results

Vishwa S. Parekh, John Laterra+4 more|arXiv (Cornell University)|Jun 10, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 19被引用 5

一句话总结

本研究提出了一种多参数放射组学（mpRadiomic）框架，结合深度学习与多对比MRI（T1WI、T2WI、FLAIR、DWI、PWI），以改善脑肿瘤分级和治疗反应评估。该框架在区分II级与IV级胶质母细胞瘤时达到93%的敏感度和100%的特异度（AUC为0.95），在区分真实进展与假性进展时AUC达到93%。

ABSTRACT

Radiomics is an exciting new area of texture research for extracting quantitative and morphological characteristics of pathological tissue. However, to date, only single images have been used for texture analysis. We have extended radiomic texture methods to use multiparametric (mp) data to get more complete information from all the images. These mpRadiomic methods could potentially provide a platform for stratification of tumor grade as well as assessment of treatment response in brain tumors. In brain, multiparametric MRI (mpMRI) are based on contrast enhanced T1-weighted imaging (T1WI), T2WI, Fluid Attenuated Inversion Recovery (FLAIR), Diffusion Weighted Imaging (DWI) and Perfusion Weighted Imaging (PWI). Therefore, we applied our multiparametric radiomic framework (mpRadiomic) on 24 patients with brain tumors (8 grade II and 16 grade IV). The mpRadiomic framework classified grade IV tumors from grade II tumors with a sensitivity and specificity of 93% and 100%, respectively, with an AUC of 0.95. For treatment response, the mpRadiomic framework classified pseudo-progression from true-progression with an AUC of 0.93. In conclusion, the mpRadiomic analysis was able to effectively capture the multiparametric brain MRI texture and could be used as potential biomarkers for distinguishing grade IV from grade II tumors as well as determining true-progression from pseudo-progression.

研究动机与目标

• 开发一种多参数放射组学框架，利用多种MRI序列以改善脑肿瘤的表征。
• 通过整合T1WI、T2WI、FLAIR、DWI和PWI的互补组织信息，解决单序列放射组学的局限性。
• 利用定量影像特征实现非侵入性胶质母细胞瘤分级（II vs. IV）分层。
• 区分治疗后的真实进展与假性进展，这是神经肿瘤学中的主要临床挑战。
• 确立mpRadiomic特征作为脑癌个性化治疗规划的潜在生物标志物。

提出的方法

• mpRadiomic框架从五种MRI序列中提取放射组学特征：T1加权成像、T2加权成像、FLAIR、扩散加权成像和灌注定向成像。
• 特征包括每种序列的纹理、强度、形状及小波基描述符，随后进行特征选择与融合。
• 基于深度学习的分类器在拼接的特征集上进行训练，以区分肿瘤分级和治疗反应模式。
• 该框架使用支持向量机（SVM）或类似分类器，基于多参数特征签名对肿瘤进行分类。
• 通过交叉验证和受试者工作特征（ROC）分析评估特征重要性和模型性能。
• 该方法结合了放射组学纹理分析与深度学习，以提升预测能力，超越单序列方法。

实验结果

研究问题

• RQ1 与单序列放射组学相比，多参数放射组学能否提高胶质母细胞瘤分级的准确性？
• RQ2 mpRadiomic特征能否利用多对比MRI可靠地区分II级与IV级胶质母细胞瘤？
• RQ3 该框架能否在治疗后脑肿瘤患者中区分真实进展与假性进展？
• RQ4 来自多种MRI序列的联合放射组学特征是否能提供优于单个序列的治疗反应生物标志物？
• RQ5 mpRadiomic框架在胶质母细胞瘤分级和进展评估中的诊断性能如何，具体表现为敏感度、特异度和AUC？

主要发现

• mpRadiomic框架在将IV级胶质母细胞瘤与II级胶质母细胞瘤分类时，达到93%的敏感度和100%的特异度，AUC为0.95。
• 在治疗反应评估方面，该框架在区分真实进展与假性进展时AUC达到0.93。
• 与单序列分析相比，多对比MRI序列的整合显著增强了特征表征能力。
• 该模型在24例患者的小样本队列（8例II级，16例IV级）中表现出高度的鲁棒性和泛化能力。
• 扩散加权成像（DWI）和灌注定向成像序列的放射组学特征对肿瘤分级性能的贡献最大。
• 该框架在神经肿瘤学临床决策支持中，展现出作为非侵入性、定量生物标志物工具的强劲潜力。