[论文解读] CNN-based Survival Model for Pancreatic Ductal Adenocarcinoma in Medical Imaging

Yucheng Zhang, Edrise M. Lobo-Mueller+4 more|arXiv (Cornell University)|Jun 25, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 28被引用 7

一句话总结

本研究提出一种基于深度学习的生存模型，采用卷积神经网络（CNN）从术前CT扫描中预测可切除胰腺导管腺癌（PDAC）患者的生存结局。通过迁移学习，该CNN模型在 concordance index 上比传统的Cox比例风险（CPH）放射组学方法提高了22%，表现出对复杂生存模式的更优拟合效果，并克服了多重共线性和线性假设等局限性。

ABSTRACT

Cox proportional hazard model (CPH) is commonly used in clinical research for survival analysis. In quantitative medical imaging (radiomics) studies, CPH plays an important role in feature reduction and modeling. However, the underlying linear assumption of CPH model limits the prognostic performance. In addition, the multicollinearity of radiomic features and multiple testing problem further impedes the CPH models performance. In this work, using transfer learning, a convolutional neural network (CNN) based survival model was built and tested on preoperative CT images of resectable Pancreatic Ductal Adenocarcinoma (PDAC) patients. The proposed CNN-based survival model outperformed the traditional CPH-based radiomics approach in terms of concordance index by 22%, providing a better fit for patients' survival patterns. The proposed CNN-based survival model outperforms CPH-based radiomics pipeline in PDAC prognosis. This approach offers a better fit for survival patterns based on CT images and overcomes the limitations of conventional survival models.

研究动机与目标

• 为解决Cox比例风险（CPH）模型在胰腺导管腺癌（PDAC）生存分析中的局限性，特别是其线性假设以及对放射组学特征中多重共线性的敏感性。
• 开发一种基于深度学习的生存模型，以更好地捕捉医学影像数据中的非线性关系，从而提高预后预测的准确性。
• 评估基于CNN的方法与传统基于CPH的放射组学流程在预测术前CT图像生存结局方面的性能表现。
• 证明在罕见且侵袭性强的癌症（如PDAC）的医学影像生存建模中，迁移学习的可行性和优越性。

提出的方法

• 使用迁移学习在可切除PDAC患者的术前CT图像上微调预训练的卷积神经网络（CNN）。
• CNN直接从医学图像中提取分层特征，绕过了人工放射组学特征提取过程。
• 在CNN中添加生存头以预测事件发生时间，端到端地建模风险函数。
• 采用适用于右删失生存数据的似然函数作为损失函数进行模型训练。
• 使用 concordance index（C-index）作为标准指标，评估模型的校准性和区分能力。
• 在相同数据集和评估协议下，将该方法与传统的基于CPH的放射组学流程进行对比。

实验结果

研究问题

• RQ1 基于CNN的深度学习模型是否能在预测可切除PDAC患者生存结局方面优于传统的基于CPH的放射组学方法？
• RQ2 从医学影像预训练中迁移学习是否能提升在有限PDAC数据集上的生存预测性能？
• RQ3 CNN模型在多大程度上缓解了CPH模型固有的多重共线性和线性假设问题？
• RQ4 在C-index和生存模式拟合方面，该模型的性能与标准放射组学流程相比如何？

主要发现

• 基于CNN的生存模型相比传统的基于CPH的放射组学流程，C-index提高了22%。
• 所提出的模型在拟合PDAC患者复杂且非线性的生存模式方面表现优于线性模型。
• 通过直接从CT图像中学习特征，CNN方法减少了对手工设计放射组学特征的依赖，并缓解了多重共线性问题。
• 迁移学习的使用使得即使在可切除PDAC病例数量相对较少的数据集中，也能实现有效的特征学习。