[论文解读] SISC: End-to-end Interpretable Discovery Radiomics-Driven Lung Cancer Prediction via Stacked Interpretable Sequencing Cells

Vignesh Sankar, Devinder Kumar+3 more|arXiv (Cornell University)|Jan 15, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 61被引用 6

一句话总结

本文提出SISC，一种用于从CT扫描中端到端发现放射组学驱动的肺癌预测的深度堆叠可解释序列细胞架构。通过直接从数据中学习高度判别性的放射组学特征并生成关键响应图，SISC在恶性程度分类中实现了最先进性能，同时为放射科医生与机器的合作提供了透明、可解释的决策过程。

ABSTRACT

Objective: Lung cancer is the leading cause of cancer-related death worldwide. Computer-aided diagnosis (CAD) systems have shown significant promise in recent years for facilitating the effective detection and classification of abnormal lung nodules in computed tomography (CT) scans. While hand-engineered radiomic features have been traditionally used for lung cancer prediction, there have been significant recent successes achieving state-of-the-art results in the area of discovery radiomics. Here, radiomic sequencers comprising of highly discriminative radiomic features are discovered directly from archival medical data. However, the interpretation of predictions made using such radiomic sequencers remains a challenge. Method: A novel end-to-end interpretable discovery radiomics-driven lung cancer prediction pipeline has been designed, build, and tested. The radiomic sequencer being discovered possesses a deep architecture comprised of stacked interpretable sequencing cells (SISC). Results: The SISC architecture is shown to outperform previous approaches while providing more insight in to its decision making process. Conclusion: The SISC radiomic sequencer is able to achieve state-of-the-art results in lung cancer prediction, and also offers prediction interpretability in the form of critical response maps. Significance: The critical response maps are useful for not only validating the predictions of the proposed SISC radiomic sequencer, but also provide improved radiologist-machine collaboration for effective diagnosis.

研究动机与目标

• 解决基于深度发现放射组学的肺癌预测系统中可解释性不足的问题。
• 开发一种放射组学序列器，能够从CT扫描中端到端学习判别性特征，无需手工设计特征。
• 生成关键响应图，突出显示导致恶性程度预测的区域，增强透明度。
• 通过提供可视化、可解释的推理依据，提升放射科医生与机器之间的协作。
• 在保持模型可解释性的同时，实现肺癌分类的最先进性能。

提出的方法

• SISC架构通过堆叠多个可解释序列细胞构建，每个细胞包含卷积层、批归一化、ReLU、Dropout和最大池化操作。
• 每个可解释序列细胞通过重复三次1×1卷积、批归一化、ReLU和Dropout的序列处理特征。
• 最后一层使用两个1×1卷积实现对肺结节是否为恶性或良性进行二分类。
• 整个网络在大规模CT数据（如LIDC-IDRI）上采用发现放射组学框架进行端到端训练。
• 通过反向传播梯度生成关键响应图，以突出显示在预测决策中最具影响力的区域。
• 该方法利用类似注意力的显著性定位关键结节区域，而无需显式边界框标注。

实验结果

研究问题

• RQ1 一个深度端到端放射组学序列器能否在无需手工设计特征的情况下，直接从CT扫描中学习高度判别性特征？
• RQ2 此类序列器的决策过程如何实现可解释性，以支持临床验证？
• RQ3 关键响应图能否准确地定位恶性结节并与其放射科医生标注的轮廓对齐？
• RQ4 SISC架构在肺癌预测的准确率和可解释性方面是否优于现有最先进方法？
• RQ5 关键响应图在多大程度上提升了放射科医生在CAD系统中的信心与协作效率？

主要发现

• 在良性（B）数据集上，SISC模型实现了88.57% ± 1.70的准确率、78.32% ± 8.12的敏感性、93.66% ± 2.06的特异性以及94.34% ± 0.08的AUC，优于先前方法。
• 在恶性（M）数据集上，SISC实现了84.17% ± 1.50的准确率、90.71% ± 4.01的敏感性、67.00% ± 8.64的特异性以及89.06% ± 1.20的AUC，表现出更优的敏感性和AUC。
• 关键响应图在多个病例中成功突出显示了恶性结节区域，其轮廓准确性与或优于放射科医生的标注。
• 该模型在不同训练样本规模下表现出鲁棒性，约15,000个样本时在所有指标（包括AUC）上达到最优性能。
• 关键响应图提供了清晰的视觉解释，说明了模型的决策过程，使放射科医生能够验证预测结果并提高诊断一致性。
• SISC框架在肺癌预测中实现了最先进性能，同时提供了可解释的、基于注意力的显著性图，以增强临床信任与协作。