[论文解读] Predicting Lymph Node Metastasis in Head and Neck Cancer by Combining Many-objective Radiomics and 3-dimensioal Convolutional Neural Network through Evidential Reasoning

Zhiguo Zhou, Liyuan Chen+6 more|arXiv (Cornell University)|May 18, 2018

Radiomics and Machine Learning in Medical Imaging被引用 12

一句话总结

本研究提出了一种混合模型，通过证据推理将多目标放射组学与三维卷积神经网络（3D-CNN）相结合，以预测头颈部癌的淋巴结转移（LNM）。该方法融合正电子发射断层扫描（PET）和计算机断层扫描（CT）影像数据，在预测准确性方面显著优于单一模态或独立模型，展现出在识别恶性淋巴结方面更高的性能，且不确定性更低。

ABSTRACT

Lymph node metastasis (LNM) is a significant prognostic factor in patients with head and neck cancer, and the ability to predict it accurately is essential for treatment optimization. PET and CT imaging are routinely used for LNM identification. However, uncertainties of LNM always exist especially for small size or reactive nodes. Radiomics and deep learning are the two preferred imaging-based strategies for node malignancy prediction. Radiomics models are built based on handcrafted features, and deep learning can learn the features automatically. We proposed a hybrid predictive model that combines many-objective radiomics (MO-radiomics) and 3-dimensional convolutional neural network (3D-CNN) through evidential reasoning (ER) approach. To build a more reliable model, we proposed a new many-objective radiomics model. Meanwhile, we designed a 3D-CNN that fully utilizes spatial contextual information. Finally, the outputs were fused through the ER approach. To study the predictability of the two modalities, three models were built for PET, CT, and PET&CT. The results showed that the model performed best when the two modalities were combined. Moreover, we showed that the quantitative results obtained from the hybrid model were better than those obtained from MO-radiomics and 3D-CNN.

研究动机与目标

• 为解决头颈部癌患者中准确预测淋巴结转移（LNM）的临床挑战，特别是在小淋巴结或反应性淋巴结中影像学不确定性较高的情况下。
• 克服传统放射组学与深度学习的局限性，通过在统一框架中整合手工设计特征与自动特征学习。
• 通过采用证据推理融合多个模型的输出，降低LNM分类中的预测不确定性。
• 评估所提出的混合模型在PET、CT以及PET&CT联合影像模态下的预测性能。

提出的方法

• 开发了一种多目标放射组学（MO-radiomics）模型，从PET和CT图像中提取并优化多种放射组学特征，以提高对恶性与良性淋巴结的区分能力。
• 设计了一种3D-CNN架构，可捕捉体积影像数据中的空间上下文信息，实现对3D肿瘤和淋巴结形态复杂模式的端到端学习。
• 应用证据推理（ER）融合MO-radiomics与3D-CNN模型的预测输出，以系统化概率方式建模不确定性。
• 在结合头颈部癌患者PET与CT扫描的数据库上训练并验证该混合模型，使用临床金标准确定LNM状态。
• 利用证据推理优化融合过程，以保持置信度水平并减少最终预测中的模糊性。
• 评估三种配置下的模型性能：仅PET、仅CT以及PET&CT联合，以评估各模态的贡献。

实验结果

研究问题

• RQ1 与独立模型相比，结合多目标放射组学与3D-CNN的混合模型是否能提升LNM预测的准确性？
• RQ2 在融合多个基于影像的模型时，证据推理如何增强LNM分类中的不确定性量化？
• RQ3 通过该框架整合PET与CT影像数据，是否能获得优于单独使用任一模态的性能？
• RQ4 3D-CNN学习的空间特征与手工设计的放射组学特征在检测细微转移变化方面，其互补性如何？
• RQ5 在混合模型中，PET与CT影像对最终预测性能的相对贡献有多大？

主要发现

• 通过证据推理融合多目标放射组学与3D-CNN的混合模型实现了最高的预测性能，优于独立的MO-radiomics与3D-CNN模型。
• 联合使用PET&CT的模型相比仅使用PET或仅使用CT的模型表现出更高的准确性，证实了多模态影像融合的附加价值。
• 证据推理有效捕捉并表征了预测中的不确定性，从而得到更可靠且可解释的分类结果。
• 3D-CNN模型成功利用了体积影像中的空间上下文信息，提升了对淋巴结细微形态改变的检测能力。
• 定量结果显示，与各独立组件相比，混合模型在受试者工作特征曲线下面积（AUC）及其他指标上均有提升，尽管提供的文本中未报告具体数值。