Integration of clinical features, handcrafted radiomics, and deep learning-based radiomics for predicting recurrence in patients with non-small cell lung cancer

Abstract

Due to high recurrence rates in patients with non-small cell lung cancer (NSCLC), medical professionals need extremely accurate diagnostic methods to prevent bleak prognosis. However, even the most commonly used diagnostic method, the TNM staging system, which describes tumor-size (T stage), nodal-involvement (N stage), and presence of metastasis (M stage), is often inaccurate in predicting patient prognosis. These limitations make it difficult for clinicians to tailor treatments to individual patients. In this study, we propose a novel approach, which applies deep learning to an ensemble-based method that exploits patient-derived, multi-modal data for prediction NSCLC recurrence. This was validated and evaluated using two institutional data sets specifically consisting of lung adenocarcinoma patients and lung squamous cell carcinoma patients. First, we constructed three neural network models, each trained with 1) clinical data including TN stage, 2) handcrafted radiomics (HCR), and 3) deep learning-based radiomics (DLR) respectively and optimized for each data-based prediction. Each neural network-based model produced outcomes that were integrated and subsequently put through a different machine learning-based ensemble analyzer to further improve accuracy and making the final decision. To estimate the performance of each model, quantitative measurements, receiver operating characteristic (ROC) curve with the area under the ROC curve (AUC), and Kaplan-Meier curve were derived with the 5-fold cross-validation method. While the three neural network models using clinical variables, HCR, and DLR individually had a measure of predictive power for recurrence, the comprehensive ensemble-based model utilizing all three had best overall performance in the experimental results. Moreover, benchmark studies confirmed that our model outperformed existing representative algorithms. In summation, our study efficiently analyzed heterogeneous data to achieve maximum performance. This will aid clinicians in successfully identifying patients at high risk of recurrence and improve treatment planning;의학의 발전에도 불구하고 폐암의 조사망률은 지속적으로 상승하고 있다. 이는 치료가 쉽지 않을 뿐 아니라 조기 발견이 어렵고 수술 후에도 빈번하게 재발하는 폐암의 특성에 기인한다. 폐암은 병기가 진행될수록 생존률이 급감하기 때문에 가능한 조기에 발견해 치료하는 것이 장기 생존률을 향상시키기 위한 주요 전략이 될 수 밖에 없다. 본 연구에서는 폐암 중 대부분(약 80% 이상)을 차지하는 비소세포암 폐암 환자들의 수술 후 재발 여부를 예측하여 환자들의 삶의 질 및 생존에 유리한 선택을 도울 수 있도록 환자들의 저선량 폐 CT 영상 및 임상 정보를 기계학습 방법에 활용하여 폐암 재발을 예측하는 알고리즘을 개발하였다. 저선량 CT 영상 이미지와 임상 정보를 효율적으로 활용하기 위해 기계학습 분류기를 통해 이질적인 데이터 타입의 분석 결과를 통합하기 전 각 데이터에서 네트워크를 학습시킬 유의미한 피쳐를 선별하는 과정을 거쳤다. 임상 정보 선별은 전문 임상의로부터 조언을 받았으며, 2D 및 3D CT 영상에서 인간이 의도적으로 고안한 수식에 근거해 약 1500개가 넘는 피쳐를 추출한 뒤에 콕스 위험 비례 모형(Cox Proportional Hazards model)으로 단변량 분석을 실시하였다. 또한 CT 영상으로부터 폐 질환 부위에 나타나는 표현형을 폭넓게 모색하기 위해 심층 합성곱 신경망(Deep Convolutional Neural Networks)을 통해 목적에 맞는 피쳐를 네트워크에서 자동적으로 학습하도록 하였다. 임상 정보와 CT 영상은 심층신경망(Deep Neural Network) 및 심층 합성곱 신경망을 통해 총 3개의 재발 확률로 분석된 뒤, 다시 기계학습 분류기를 통해 최종 재발 확률을 계산하게 된다. 제안된 네트워크의 성능 평가는 단일 데이터 타입을 활용한 세 네트워크를 조합해 만들 수 있는 모든 경우의 수와 비슷한 목적을 위해 널리 활용되고 있는 대표 연구와 비교하여 이루어졌다. 정량적 평가를 위하여 정확도 외 재현율, 정밀도, f1 스코어 값과 AUC값을 측정하였으며, 정성적 평가 지표로 ROC 곡선과 카플란마이어 생존 곡선(Kaplan-Meier Survival Curve)을 그려 재발한 환자와 그렇지 않은 환자군을 얼마나 잘 예측하였는지 비교하였다. 적은 샘플 수를 고려하여 실시한 5겹 교차 검증(5 fold Cross Validation)에서 제안된 단일 네트워크는 동일한 데이터를 사용한 기존 대표 비교 모델보다 유의미한 예측력을 보였으며, 특히 제안된 최종 모델은 전반적으로 다른 모델들보다 우수한 성능을 보였다. 본 연구는 임상의가 재발 위험이 높은 비소세포암 환자들을 식별하는데 도움이 될 수 있으며, 따라서 환자의 삶의 질이 결정될 치료 계획을 개선할 수 있다.