[论文解读] Deep segmentation networks predict survival of non-small cell lung cancer

Stephen Baek, Yusen He+14 more|arXiv (Cornell University)|Mar 26, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 39被引用 5

一句话总结

本研究提出一种基于U-Net的深度学习框架，仅使用PET/CT影像和放射科医师标注的肿瘤轮廓进行训练，以提取非小细胞肺癌（NSCLC）的生存预测特征。该方法识别出与2年和5年总体生存率及疾病特异性生存率高度相关的高风险肿瘤区域，在不依赖临床数据（影像以外）的情况下实现了稳健的预后性能。

ABSTRACT

Non-small-cell lung cancer (NSCLC) represents approximately 80-85% of lung cancer diagnoses and is the leading cause of cancer-related death worldwide. Recent studies indicate that image-based radiomics features from positron emission tomography-computed tomography (PET/CT) images have predictive power on NSCLC outcomes. To this end, easily calculated functional features such as the maximum and the mean of standard uptake value (SUV) and total lesion glycolysis (TLG) are most commonly used for NSCLC prognostication, but their prognostic value remains controversial. Meanwhile, convolutional neural networks (CNN) are rapidly emerging as a new premise for cancer image analysis, with significantly enhanced predictive power compared to other hand-crafted radiomics features. Here we show that CNN trained to perform the tumor segmentation task, with no other information than physician contours, identify a rich set of survival-related image features with remarkable prognostic value. In a retrospective study on 96 NSCLC patients before stereotactic-body radiotherapy (SBRT), we found that the CNN segmentation algorithm (U-Net) trained for tumor segmentation in PET/CT images, contained features having strong correlation with 2- and 5-year overall and disease-specific survivals. The U-net algorithm has not seen any other clinical information (e.g. survival, age, smoking history) than the images and the corresponding tumor contours provided by physicians. Furthermore, through visualization of the U-Net, we also found convincing evidence that the regions of progression appear to match with the regions where the U-Net features identified patterns that predicted higher likelihood of death. We anticipate our findings will be a starting point for more sophisticated non-intrusive patient specific cancer prognosis determination.

研究动机与目标

• 开发一种仅使用术前PET/CT影像和医师标注肿瘤轮廓的可解释深度学习框架，用于非小细胞肺癌（NSCLC）的预后预测。
• 从深度神经网络激活中识别出与NSCLC患者2年和5年总体生存率及疾病特异性生存率强相关的影像学特征。
• 利用激活最大化和引导反向传播技术，可视化并解释肿瘤内对不良生存最具预测性的区域。
• 在斯坦福癌症研究所的独立外部数据集上验证模型预测能力的泛化性。
• 证明端到端训练的U-Net特征在预后准确性上优于传统放射组学指标（如SUVmax、SUVmean和TLG）。

提出的方法

• 使用仅医师标注的轮廓和无临床结局数据，训练U-Net架构以在3D术前PET/CT影像上执行肿瘤分割。
• 从训练好的U-Net编码器的瓶颈层提取潜在特征，代表分层的、空间定位的图像模式。
• 应用聚类技术（轮廓法）将相似的潜在特征分组，并从每个聚类中选取代表作为候选预测特征。
• 使用LASSO回归从代表特征中选择最相关的特征，通过惩罚冗余性提升模型可解释性。
• 在LASSO筛选出的特征上训练逻辑回归模型，将2年和5年生存结局作为二元标签（存活/死亡）进行预测。
• 使用激活最大化和带ReLU修正的引导反向传播等可视化技术，映射与不良生存相关的肿瘤内高风险区域。

实验结果

研究问题

• RQ1 仅基于影像和轮廓训练的U-Net深度学习模型能否以高精度预测NSCLC患者的生存结局？
• RQ2 U-Net学习到的潜在特征是否与2年和5年总体生存率及疾病特异性生存率显著相关？
• RQ3 该模型能否识别并可视化肿瘤内对更高死亡风险具有预测性的特定亚区域？
• RQ4 与SUVmax、SUVmean和TLG等传统放射组学指标相比，深度学习提取的特征在预后预测中的表现是否更优？
• RQ5 该模型的预测能力是否可在来自不同机构的独立外部数据集上实现泛化？

主要发现

• U-Net提取的特征在96例接受立体定向体部放疗的NSCLC患者队列中，与2年和5年总体生存率及疾病特异性生存率均表现出强相关性。
• 该模型实现了稳健的预后性能，其预测能力在斯坦福癌症研究所的独立外部数据集上得到验证，证实了泛化能力。
• 激活最大化显示，最具预测性的特征对应于与转移和复发相关的区域，表明其具有生物学合理性。
• 引导反向传播可视化出一个风险图，突出显示原发肿瘤内部及邻近区域的高风险亚区，这些区域对死亡概率的贡献更高。
• 从U-Net中筛选出的LASSO特征在预后准确性方面优于SUVmax、SUVmean和TLG等传统放射组学指标。
• 本研究证明，仅通过分割任务训练的U-Net所提取的深度特征，可生成高度预测性、可解释且具有临床相关性的NSCLC生存生物标志物。