[论文解读] Lymph Node Graph Neural Networks for Cancer Metastasis Prediction

Michal Kazmierski, Benjamin Haibe‐Kains|arXiv (Cornell University)|Jun 3, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 24被引用 7

一句话总结

本文提出一种图神经网络（门控GCN，Gated-GCN），通过将转移性淋巴结（LN）与原发肿瘤之间的解剖关系编码为图结构，来建模头颈部癌中淋巴结转移的传播。该模型在2年远处转移预测中达到0.757的AUROC，在终身风险预测中达到0.725的C-index，优于传统预后因素和无图模型，其优势源于同时利用个体LN特征及其通过边门控卷积和软注意力机制实现的连接性。

ABSTRACT

Predicting outcomes, such as survival or metastasis for individual cancer patients is a crucial component of precision oncology. Machine learning (ML) offers a promising way to exploit rich multi-modal data, including clinical information and imaging to learn predictors of disease trajectory and help inform clinical decision making. In this paper, we present a novel graph-based approach to incorporate imaging characteristics of existing cancer spread to local lymph nodes (LNs) as well as their connectivity patterns in a prognostic ML model. We trained an edge-gated Graph Convolutional Network (Gated-GCN) to accurately predict the risk of distant metastasis (DM) by propagating information across the LN graph with the aid of soft edge attention mechanism. In a cohort of 1570 head and neck cancer patients, the Gated-GCN achieves AUROC of 0.757 for 2-year DM classification and $C$-index of 0.725 for lifetime DM risk prediction, outperforming current prognostic factors as well as previous approaches based on aggregated LN features. We also explored the importance of graph structure and individual lymph nodes through ablation experiments and interpretability studies, highlighting the importance of considering individual LN characteristics as well as the relationships between regions of cancer spread.

研究动机与目标

• 通过整合超越标准临床和影像特征的多模态数据，提升头颈部癌（HNC）远处转移（DM）的预测能力。
• 将转移性淋巴结（LNs）之间的空间和解剖关系建模为图结构，以捕捉疾病传播模式。
• 开发一种基于图的机器学习框架，其性能优于仅依赖汇总LN特征或临床因素的现有方法。
• 通过可解释性和消融研究，探究个体LN和图拓扑对模型预测的贡献。

提出的方法

• 构建了基于患者的无向图，其中节点代表原发肿瘤和转移性LN，边基于3D质心距离（K近邻）或完全连通性确定。
• 为每个节点分配特征向量，包含11个放射组学特征、质心坐标、到中线的有符号距离以及LN水平（解剖位置）。
• 应用边门控图卷积网络（Gated-GCN），利用可学习的注意力权重动态调节相连节点之间的信息传递。
• 通过多任务学习将临床元数据（如年龄、分期）与图嵌入特征相结合，用于2年DM分类和终身风险预测。
• 使用积分梯度方法实现可解释性，计算特征归因并评估节点在预测中的重要性。
• 在1,570名HNC患者队列中使用5折交叉验证进行模型训练，其中包含259例DM事件。

实验结果

研究问题

• RQ1 将转移性淋巴结之间的解剖连通性建模是否能提升头颈部癌中远处转移的预测性能？
• RQ2 与汇总LN特征相比，包含个体LN影像特征及其关系的模型在预后性能上表现如何？
• RQ3 个体淋巴结和图结构对模型预测准确性的相对贡献是什么？
• RQ4 影像生物标志物和临床因素在多大程度上共同影响模型的预测？

主要发现

• 门控GCN在2年远处转移预测中达到0.757的AUROC，显著优于无图神经网络基线模型（AUROC = 0.726）。
• 该模型在终身远处转移风险预测中达到0.725的C-index，优于仅使用临床数据的基线模型（C-index = 0.648）。
• 消融研究显示，图结构和个体LN特征均对性能有显著贡献，完整图连通性下取得最佳结果。
• 可解释性分析表明，某些个体淋巴结的归因分数比原发肿瘤高出60%以上，表明其预后重要性存在差异。
• 模型识别出两个影像异质性特征和一个区域边界测量值为预测中始终高重要性的特征。
• 模型在不同图拓扑结构（K=2, K=3, 完全连通）下性能保持稳定，表明边门控机制能有效处理多样的连通模式。