[论文解读] Improving Prognostic Performance in Resectable Pancreatic Ductal Adenocarcinoma using Radiomics and Deep Learning Features Fusion in CT Images

Yucheng Zhang, Edrise M. Lobo-Mueller+4 more|arXiv (Cornell University)|Jul 10, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 49被引用 4

一句话总结

本研究提出了一种基于风险评分的特征融合方法，结合CT图像中的放射组学特征与深度学习特征，以改善可切除胰腺导管腺癌（PDAC）的生存预后预测。该方法显著提升了预后性能，与仅使用放射组学特征相比，受试者工作特征曲线下面积（AUC）提高了51%；与仅使用深度学习特征相比，AUC提高了16%。

ABSTRACT

As an analytic pipeline for quantitative imaging feature extraction and analysis, radiomics has grown rapidly in the past a few years. Recent studies in radiomics aim to investigate the relationship between tumors imaging features and clinical outcomes. Open source radiomics feature banks enable the extraction and analysis of thousands of predefined features. On the other hand, recent advances in deep learning have shown significant potential in the quantitative medical imaging field, raising the research question of whether predefined radiomics features have predictive information in addition to deep learning features. In this study, we propose a feature fusion method and investigate whether a combined feature bank of deep learning and predefined radiomics features can improve the prognostics performance. CT images from resectable Pancreatic Adenocarcinoma (PDAC) patients were used to compare the prognosis performance of common feature reduction and fusion methods and the proposed risk-score based feature fusion method for overall survival. It was shown that the proposed feature fusion method significantly improves the prognosis performance for overall survival in resectable PDAC cohorts, elevating the area under ROC curve by 51% compared to predefined radiomics features alone, by 16% compared to deep learning features alone, and by 32% compared to existing feature fusion and reduction methods for a combination of deep learning and predefined radiomics features.

研究动机与目标

• 调查将预定义的放射组学特征与深度学习特征相结合，是否能提升可切除胰腺导管腺癌（PDAC）的预后性能。
• 解决放射组学特征是否在医学影像中提供超越深度学习特征的额外预测价值这一研究空白。
• 开发并验证一种新型特征融合策略，以提升PDAC患者总体生存预测的准确性。
• 在临床影像背景下，将所提出的融合方法与现有特征降维和融合技术的性能进行比较。

提出的方法

• 使用开源放射组学工具包从术前CT扫描中提取放射组学特征，捕捉纹理、形态和基于强度的特征。
• 使用在胰腺CT图像上微调的卷积神经网络（CNN）提取深度学习特征，以学习分层的、数据驱动的表征。
• 提出一种基于风险评分的特征融合方法，通过为每组特征分配预测风险评分，整合放射组学与深度学习特征。
• 应用特征选择与降维技术，以优化用于生存建模的联合特征空间。
• 在融合的特征集上训练生存预测模型（例如，Cox比例风险模型或随机生存森林），以预测总体生存。
• 使用交叉验证验证模型，并将性能指标（例如，AUC、C指数）与仅使用放射组学或仅使用深度学习特征的基线模型进行比较。

实验结果

研究问题

• RQ1 与单独使用任一模态相比，整合放射组学与深度学习特征是否能提升可切除PDAC的生存预测？
• RQ2 所提出的基于风险评分的特征融合方法是否优于传统的特征融合与降维技术？
• RQ3 在胰腺CT影像中，放射组学特征是否提供了深度学习特征所未捕获的预测信息？
• RQ4 在临床队列中，将手工设计的放射组学特征与学习得到的深度学习特征相结合，其增量预后价值是什么？

主要发现

• 所提出的基于风险评分的特征融合方法显著提升了总体生存预测性能，与仅使用放射组学特征相比，受试者工作特征曲线下面积（AUC）提高了51%。
• 与仅使用深度学习特征相比，该融合方法使AUC提高了16%，表明放射组学特征提供了有价值的预测信息。
• 该方法优于现有的特征融合与降维技术，在AUC方面较这些传统方法提高了32%。
• 联合特征集在生存建模中表现出更高的预测准确性和鲁棒性，表明两类特征提供的互补信息可增强预后性能。
• 结果表明，放射组学与深度学习特征并非冗余，通过风险评分融合整合二者可获得更优的临床预后结果。