[논문 리뷰] SISC: End-to-end Interpretable Discovery Radiomics-Driven Lung Cancer Prediction via Stacked Interpretable Sequencing Cells

Vignesh Sankar, Devinder Kumar외 3명|arXiv (Cornell University)|2019. 01. 15.

Radiomics and Machine Learning in Medical Imaging참고 문헌 61인용 수 6

한 줄 요약

이 논문은 CT 영상에서 방사선학적 특징 기반 폐암 예측을 위한 엔드 투 엔드 탐색 기반의 깊이 강화 해석 가능한 순차 세포 아키텍처인 SISC를 제안한다. 데이터에서 직접 고도로 구별 가능한 방사선학적 특징을 학습하고 핵심 반응 맵을 생성함으로써, SISC는 해석 가능성과 투명성을 제공하면서도 악성 종양 분류에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Objective: Lung cancer is the leading cause of cancer-related death worldwide. Computer-aided diagnosis (CAD) systems have shown significant promise in recent years for facilitating the effective detection and classification of abnormal lung nodules in computed tomography (CT) scans. While hand-engineered radiomic features have been traditionally used for lung cancer prediction, there have been significant recent successes achieving state-of-the-art results in the area of discovery radiomics. Here, radiomic sequencers comprising of highly discriminative radiomic features are discovered directly from archival medical data. However, the interpretation of predictions made using such radiomic sequencers remains a challenge. Method: A novel end-to-end interpretable discovery radiomics-driven lung cancer prediction pipeline has been designed, build, and tested. The radiomic sequencer being discovered possesses a deep architecture comprised of stacked interpretable sequencing cells (SISC). Results: The SISC architecture is shown to outperform previous approaches while providing more insight in to its decision making process. Conclusion: The SISC radiomic sequencer is able to achieve state-of-the-art results in lung cancer prediction, and also offers prediction interpretability in the form of critical response maps. Significance: The critical response maps are useful for not only validating the predictions of the proposed SISC radiomic sequencer, but also provide improved radiologist-machine collaboration for effective diagnosis.

연구 동기 및 목표

• 딥 러닝 기반의 탐색 기반 방사선학적 폐암 예측 시스템에서의 해석 가능성 부족 문제를 해결하기 위해.
• 수작업으로 설계된 특징 없이 CT 영상에서부터 엔드 투 엔드로 구별 가능한 특징을 학습하는 방사선학적 시퀀서를 개발하기 위해.
• 예측 결과에 기여하는 영역을 강조하는 핵심 반응 맵을 생성하여 투명성을 향상시키기 위해.
• 예측에 대한 시각적이고 해석 가능한 근거를 제공함으로써 방사선의사-기계 간 협업을 향상시키기 위해.
• 해석 가능성 유지와 함께 폐암 분류 성능을 최신 기술 수준으로 달성하기 위해.

제안 방법

• SISC 아키텍처는 해석 가능한 순차 세포를 여러 개 스택하여 구성되며, 각 세포는 합성곱층, 배치 정규화, ReLU, 드롭아웃, 최대 풀링 연산을 포함한다.
• 각 해석 가능한 순차 세포는 1×1 합성곱, 배치 정규화, ReLU, 드롭아웃을 3회 반복하는 순서로 특징을 처리한다.
• 최종층은 이진 분류를 위해 두 개의 1×1 합성곱을 사용하여 폐 결절을 악성 또는 양성으로 분류한다.
• 전체 네트워크는 LIDC-IDRI와 같은 대규모 CT 데이터를 기반으로 탐색 기반 방사선학 프레임워크를 사용해 엔드 투 엔드로 훈련된다.
• 핵심 반응 맵은 네트워크를 거꾸로 기울기 전파하여 예측 결정에 가장 영향을 미치는 영역를 강조함으로써 생성된다.
• 명시적인 바운딩 박스 레이블이 필요 없이 주목성 유사 기법을 활용하여 핵심 결절 영역을 국소화한다.

실험 결과

연구 질문

• RQ1 수작업으로 설계된 특징 없이 CT 영상에서 직접 고도로 구별 가능한 특징을 깊이 있는 엔드 투 엔드 방사선학적 시퀀서가 학습할 수 있는가?
• RQ2 이러한 시퀀서의 의사결정 과정을 임상 검증에 적합하게 해석 가능한 방식으로 만들 수 있는가?
• RQ3 핵심 반응 맵이 악성 결절을 정확히 국소화하고 방사선의사가 레이블링한 윤곽선과 일치하는가?
• RQ4 SISC 아키텍처가 기존 최신 기술 수준의 방법보다 폐암 예측 정확도와 해석 가능성에서 뛰어난가?
• RQ5 핵심 반응 맵이 CAD 시스템에서 방사선의사의 자신감과 협업을 어느 정도 향상시키는가?

주요 결과

• SISC 모델은 양성(기본) 데이터셋에서 88.57% ± 1.70의 정확도, 78.32% ± 8.12의 민감도, 93.66% ± 2.06의 특이도, 94.34% ± 0.08의 AUC를 기록하여 이전 방법들을 초월했다.
• 악성 데이터셋에서는 84.17% ± 1.50의 정확도, 90.71% ± 4.01의 민감도, 67.00% ± 8.64의 특이도, 89.06% ± 1.20의 AUC를 기록하여 뛰어난 민감도와 AUC를 확보했다.
• 핵심 반응 맵은 여러 사례에서 방사선의사 레이블링과 비교해 유사하거나 더 높은 윤곽 정확도로 악성 결절 영역을 성공적으로 강조했다.
• 모델은 다양한 훈련 샘플 크기에서 뛰어난 안정성을 보였으며, 약 15,000개의 샘플에서 모든 지표(특히 AUC)에서 최적의 성능을 기록했다.
• 핵심 반응 맵은 모델의 의사결정 과정을 명확한 시각적 설명으로 제공하여 방사선의사가 예측 결과를 검증하고 진단 일관성을 향상시킬 수 있도록 했다.
• SISC 프레임워크는 폐암 예측에서 최신 기술 수준의 성능을 달성하면서도 임상적 신뢰와 협업을 위한 해석 가능한 주목성 맵을 제공했다.