[论文解读] Deep Convolutional Neural Networks for Imaging Data Based Survival Analysis of Rectal Cancer

Hongming Li, Pamela Boimel+5 more|arXiv (Cornell University)|Jan 5, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 17被引用 13

一句话总结

该论文提出了一种基于卷积神经网络（CNN）并结合空间金字塔池化的深度学习框架，用于提取直肠癌患者的影像学特征以进行生存分析。通过在Cox比例风险模型中优化这些特征，该方法在模拟数据集和真实FDG-PET/CT数据集上均实现了具有竞争力的生存预测性能，优于依赖手工特征的传统放射组学方法。

ABSTRACT

Recent radiomic studies have witnessed promising performance of deep learning techniques in learning radiomic features and fusing multimodal imaging data. Most existing deep learning based radiomic studies build predictive models in a setting of pattern classification, not appropriate for survival analysis studies where some data samples have incomplete observations. To improve existing survival analysis techniques whose performance is hinged on imaging features, we propose a deep learning method to build survival regression models by optimizing imaging features with deep convolutional neural networks (CNNs) in a proportional hazards model. To make the CNNs applicable to tumors with varied sizes, a spatial pyramid pooling strategy is adopted. Our method has been validated based on a simulated imaging dataset and a FDG-PET/CT dataset of rectal cancer patients treated for locally advanced rectal cancer. Compared with survival prediction models built upon hand-crafted radiomic features using Cox proportional hazards model and random survival forests, our method achieved competitive prediction performance.

研究动机与目标

• 开发一种专为具有删失观测值的医学影像数据设计的基于深度学习的生存分析方法。
• 克服现有放射组学模型依赖手工特征以及分类框架不适用于生存结局的局限性。
• 将深度特征学习与生存建模相结合，采用比例风险框架。
• 通过CNN中的空间金字塔池化，实现对不同大小肿瘤的鲁棒特征提取。
• 在局部进展期直肠癌患者的模拟数据集和真实FDG-PET/CT数据集上验证该方法。

提出的方法

• 训练一个深度卷积神经网络（CNN），从医学影像中提取分层影像学特征。
• 应用空间金字塔池化以处理不同大小的肿瘤，并提升特征的泛化能力。
• 将学习到的特征输入Cox比例风险模型，以预测生存结局。
• 通过优化Cox模型的部分似然函数，实现端到端的联合训练。
• 在模拟数据集和真实直肠癌FDG-PET/CT数据集上评估该框架。
• 与基于手工特征的放射组学基线模型及随机生存森林模型进行性能比较。

实验结果

研究问题

• RQ1 深度CNN能否有效学习影像学特征，从而提升直肠癌的生存预测性能？
• RQ2 空间金字塔池化的整合如何增强模型在不同大小肿瘤上的鲁棒性？
• RQ3 基于CNN的生存模型是否优于使用手工特征的传统放射组学方法？
• RQ4 该方法在模拟和真实临床影像数据上的表现如何？
• RQ5 在生存分析框架内实现深度特征的端到端学习，是否能提升预后预测的准确性？

主要发现

• 所提出的方法在与基于手工特征的放射组学模型及随机生存森林模型的比较中，表现出具有竞争力的生存预测性能。
• 空间金字塔池化的整合使得从不同大小的肿瘤中有效提取特征成为可能。
• 该模型在模拟和真实FDG-PET/CT数据集上均表现出良好的鲁棒性和泛化能力。
• 基于深度学习的方法在生存预测准确性方面优于传统放射组学模型。
• 结果验证了在生存分析框架中应用端到端深度学习的可行性，适用于医学影像分析。
• 该方法在直肠癌患者个性化预后评估的临床转化方面展现出良好前景。