[论文解读] Survival Prediction Across Diverse Cancer Types Using Neural Networks

Yan Xu, Weimin Wang+3 more|arXiv (Cornell University)|Apr 11, 2024

Radiomics and Machine Learning in Medical Imaging被引用 5

一句话总结

本研究提出一种图卷积神经网络（GCN）方法，应用于胃癌（STAD）和结直腸腺癌（COAD）的全切片图像（WSI），以预测5年生存率，性能优于CNN基线。

ABSTRACT

Gastric cancer and Colon adenocarcinoma represent widespread and challenging malignancies with high mortality rates and complex treatment landscapes. In response to the critical need for accurate prognosis in cancer patients, the medical community has embraced the 5-year survival rate as a vital metric for estimating patient outcomes. This study introduces a pioneering approach to enhance survival prediction models for gastric and Colon adenocarcinoma patients. Leveraging advanced image analysis techniques, we sliced whole slide images (WSI) of these cancers, extracting comprehensive features to capture nuanced tumor characteristics. Subsequently, we constructed patient-level graphs, encapsulating intricate spatial relationships within tumor tissues. These graphs served as inputs for a sophisticated 4-layer graph convolutional neural network (GCN), designed to exploit the inherent connectivity of the data for comprehensive analysis and prediction. By integrating patients' total survival time and survival status, we computed C-index values for gastric cancer and Colon adenocarcinoma, yielding 0.57 and 0.64, respectively. Significantly surpassing previous convolutional neural network models, these results underscore the efficacy of our approach in accurately predicting patient survival outcomes. This research holds profound implications for both the medical and AI communities, offering insights into cancer biology and progression while advancing personalized treatment strategies. Ultimately, our study represents a significant stride in leveraging AI-driven methodologies to revolutionize cancer prognosis and improve patient outcomes on a global scale.

研究动机与目标

• 利用 AI 和影像数据，为胃癌和结直肠腺癌提供准确预后的需求。
• 利用全切片图像（WSI）提取丰富的肿瘤特征以进行生存分析。
• 开发患者层面的图来建模肿瘤组织中的空间关系。
• 使用图卷积神经网络（GCN）来预测生存结局并与CNN基线进行比较。

提出的方法

• 通过对图像进行分割并使用在 ImageNet 上预训练的 ResNet50 提取每个切片的1024维特征来预处理WSIs。
• 通过将 WSI 切片视为节点并与其8个相邻切片相连来构建患者级图。
• 将患者所有WSI的图合并为一个患者图，并训练一个4层 Patch-GCN，配备 Cox 比例风险层用于生存分析。
• 在5折交叉验证、4:1 训练-测试切分的条件下，使用C-ind index 和 ROC/AUC 曲线进行评估。
• 将GCN的性能与在原始WSI数据上训练的CNN基线进行比较。

实验结果

研究问题

• RQ1 基于图的 WSI 表征是否能提升胃癌（STAD）和结肠腺癌（COAD）在生存预测上的性能，相对于传统的 CNN？
• RQ2 使用4层GCN对这些癌种的生存预测准确性的影响如何？
• RQ3 同一数据集上，STAD 与 COAD 的 GCN 的 C-index 值与 CNN 模型相比如何？

主要发现

• GCN 模型在 STAD 上的 C-index 为 0.64，在 COAD 上为 0.57。
• CNN 基线在 STAD 上的 C-index 为 0.62，在 COAD 上为 0.53。
• GCN 在两种癌种的生存预测中均优于 CNN。
• 绘制了 ROC 曲线（AUC）以说明模型之间的性能差异。