[论文解读] Explainable Deep Learning for Tumor Dynamic Modeling and Overall Survival Prediction using Neural-ODE

Mark Laurie, James Lu|arXiv (Cornell University)|Aug 2, 2023

Radiomics and Machine Learning in Medical ImagingMedicine被引用 3

一句话总结

本文提出Tumor Dynamic Neural-ODE（TDNODE），一种基于药理学信息的深度学习模型，利用神经微分方程从纵向尺寸数据中学习肿瘤生长动力学。通过强制实现时间上的广义齐次性，TDNODE生成可解释的动力学速率指标，即使在数据截断的情况下也能以高精度预测总体生存率，从而实现个性化肿瘤治疗规划。

ABSTRACT

While tumor dynamic modeling has been widely applied to support the development of oncology drugs, there remains a need to increase predictivity, enable personalized therapy, and improve decision-making. We propose the use of Tumor Dynamic Neural-ODE (TDNODE) as a pharmacology-informed neural network to enable model discovery from longitudinal tumor size data. We show that TDNODE overcomes a key limitation of existing models in its ability to make unbiased predictions from truncated data. The encoder-decoder architecture is designed to express an underlying dynamical law which possesses the fundamental property of generalized homogeneity with respect to time. Thus, the modeling formalism enables the encoder output to be interpreted as kinetic rate metrics, with inverse time as the physical unit. We show that the generated metrics can be used to predict patients' overall survival (OS) with high accuracy. The proposed modeling formalism provides a principled way to integrate multimodal dynamical datasets in oncology disease modeling.

研究动机与目标

• 提高在肿瘤动力学建模中对肿瘤治疗药物开发的预测能力。
• 通过从有限的纵向数据中学习患者特异性的肿瘤动力学，实现个性化治疗。
• 开发一种在预测截断的肿瘤尺寸测量值时仍保持无偏的模型。
• 从深度学习中生成可解释、具有物理意义的动力学速率指标。
• 通过严谨的形式化方法，实现多模态动力学数据集在肿瘤学建模中的整合。

提出的方法

• 该模型采用编码器-解码器架构，并利用神经-ODE从肿瘤大小轨迹中学习潜在的动力学规律。
• 动力学系统被约束为对时间具有广义齐次性，以确保物理一致性。
• 编码器的输出被解释为具有时间倒数单位的动力学速率指标，从而实现生物学可解释性。
• 模型在纵向肿瘤体积数据上进行端到端训练，以重建动力学并预测生存率。
• 该架构允许在数据早期截断时仍能进行外推和无偏预测。
• 该方法将药理学原理整合到神经网络结构中，以确保生物学合理性。

实验结果

研究问题

• RQ1 深度学习模型能否从稀疏且截断的纵向肿瘤大小数据中实现高预测精度的肿瘤动力学学习？
• RQ2 该模型能否生成反映潜在生物学动力学的可解释动力学速率指标？
• RQ3 该模型固有的广义齐次性是否能提升泛化能力并减少生存预测中的偏差？
• RQ4 所学习的指标能否在多样化的患者队列中高精度预测总体生存率？
• RQ5 该模型在肿瘤学建模中整合多模态动力学数据集的能力如何？

主要发现

• TDNODE仅使用纵向肿瘤大小测量数据，即使在数据截断的情况下，也能实现高精度的总体生存率预测。
• 该模型的编码器输出为具有时间倒数单位的可解释动力学速率指标，准确反映肿瘤的潜在动力学。
• 该模型在截断数据上保持无偏预测，克服了先前方法的关键局限性。
• 动力学系统的广义齐次性确保了时间尺度上的一致性缩放，增强了模型的鲁棒性。
• 该框架实现了多模态动力学数据集在肿瘤学建模中的原则性整合。
• 该方法在生存预测中表现出色，表明其在个性化治疗规划中具有临床应用潜力。