[論文レビュー] Predicting Lymph Node Metastasis in Head and Neck Cancer by Combining Many-objective Radiomics and 3-dimensioal Convolutional Neural Network through Evidential Reasoning

Zhiguo Zhou, Liyuan Chen+6 more|arXiv (Cornell University)|May 18, 2018

Radiomics and Machine Learning in Medical Imaging被引用数 12

ひとこと要約

本研究では、証拠理論を用いて多数の目的のラジオミクスと3次元畳み込みニューラルネットワーク（3D-CNN）を統合するハイブリッドモデルを提案し、頭頸部がんにおけるリンパ節転移（LNM）を予測する。PETとCT画像データの統合により、個々のモodalitiyやスタンドアロンモデルに比べて予測精度が著しく向上し、予測の不確実性が低減された。

ABSTRACT

Lymph node metastasis (LNM) is a significant prognostic factor in patients with head and neck cancer, and the ability to predict it accurately is essential for treatment optimization. PET and CT imaging are routinely used for LNM identification. However, uncertainties of LNM always exist especially for small size or reactive nodes. Radiomics and deep learning are the two preferred imaging-based strategies for node malignancy prediction. Radiomics models are built based on handcrafted features, and deep learning can learn the features automatically. We proposed a hybrid predictive model that combines many-objective radiomics (MO-radiomics) and 3-dimensional convolutional neural network (3D-CNN) through evidential reasoning (ER) approach. To build a more reliable model, we proposed a new many-objective radiomics model. Meanwhile, we designed a 3D-CNN that fully utilizes spatial contextual information. Finally, the outputs were fused through the ER approach. To study the predictability of the two modalities, three models were built for PET, CT, and PET&CT. The results showed that the model performed best when the two modalities were combined. Moreover, we showed that the quantitative results obtained from the hybrid model were better than those obtained from MO-radiomics and 3D-CNN.

研究の動機と目的

• 小規模または反応性のリンパ節では画像診断の不確実性が高いため、頭頸部がん患者におけるリンパ節転移（LNM）を正確に予測する臨床的課題に対処すること。
• 従来のラジオミクスとディープラーニングの限界を克服するため、統一されたフレームワーク内で手作業で抽出した特徴量と自動特徴量学習を統合すること。
• 複数のモデルの出力を統合するために証拠理論を用いることで、LNM分類における予測の不確実性を低減すること。
• 提案されたハイブリッドモデルを用いて、PET、CT、およびPET&CTの統合画像モダリティの予測性能を評価すること。

提案手法

• PETおよびCT画像から複数のラジオミクス特徴量を抽出・最適化する多目的ラジオミクス（MO-radiomics）モデルを開発し、悪性と良性のリンパ節を区別する能力を向上させた。
• ボリュメトリックな画像データにおける空間的文脈情報を捉える3D-CNNアーキテクチャを設計し、3次元腫瘍およびリンパ節の形態的パターンをエンドツーエンドで学習可能にした。
• MO-radiomicsおよび3D-CNNモデルの予測出力を統合するために証拠理論（ER）を適用し、原理的な確率的アプローチで不確実性をモデル化した。
• 臨床的グランドトゥースを用いてLNM状態を確認した、頭頸部がん患者のPETおよびCTスキャンを組み合わせたデータセットを用いて、ハイブリッドモデルを訓練および検証した。
• 予測の最終的出力における信頼性を保持し、曖昧さを低減するために、ERを用いて統合プロセスを最適化した。
• モダリティの寄与度を評価するために、PET単体、CT単体、およびPET&CT統合の3つの構成でモデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 多目的ラジオミクスと3D-CNNを統合したハイブリッドモデルは、個々のモデルに比べてLNM予測精度を向上させることができるか？
• RQ2 複数の画像ベースのモデルを統合する際、証拠理論はLNM分類における不確実性の定量化をどのように向上させるか？
• RQ3 本フレームワークを用いてPETとCTの画像データを統合することで、単独で使用する場合よりも優れた性能が得られるか？
• RQ4 3D-CNNが学習する空間的特徴量と、手作業で抽出されたラジオミクス特徴量は、微細な転移変化の検出においてどの程度補完的か？
• RQ5 ハイブリッドモデルにおける最終的な予測性能に、PETとCT画像の相対的寄与度はどの程度か？

主な発見

• 証拠理論を用いてMO-radiomicsと3D-CNNを統合したハイブリッドモデルは、スタンドアロンのMO-radiomicsモデルや3D-CNNモデルに比べ、最高の予測性能を達成した。
• PET&CT統合モデルは、PET単体またはCT単体のモデルに比べて優れた精度を示し、マルチモodal画像統合の価値を裏付けた。
• 証拠理論は予測の不確実性を効果的に捉え、より信頼性が高く解釈可能な分類結果をもたらした。
• 3D-CNNモデルはボリュメトリック画像における空間的文脈を効果的に活用し、リンパ節の微細な形態的変化の検出を向上させた。
• 定量的評価では、ハイブリッドモデルが個々の構成要素に比べ、受信者操作特性曲線（AUC）やその他の指標において改善されたが、提供された本文には正確な数値は記載されていなかった。