深度分割网络预测非小细胞肺癌患者生存
图像与视频处理
2019-11-12 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
非小细胞肺癌（NSCLC）约占肺癌诊断的80-85%，是全球癌症相关死亡的首要原因。近期研究表明，来自正电子发射断层扫描-计算机断层扫描（PET/CT）图像的基于图像的放射组学特征对NSCLC预后具有预测能力。为此，最大和标准摄取值（SUV）均值及总病灶糖酵解（TLG）等易于计算的功能特征最常用于NSCLC预后评估，但其预后价值仍存在争议。与此同时，卷积神经网络（CNN）正迅速成为癌症图像分析的新基础，相较于其他手工提取的放射组学特征具有显著增强的预测能力。在此，我们表明，仅以医师勾画轮廓为信息、经训练执行肿瘤分割任务的CNN，可识别出一组具有显著预后价值的、丰富的生存相关图像特征。在一项针对96名接受立体定向体部放疗（SBRT）前NSCLC患者的回顾性研究中，我们发现，在PET/CT图像中训练用于肿瘤分割的CNN分割算法（U-Net）所包含的特征与2年和5年总生存及疾病特异性生存强相关。该U-Net算法除医师提供的图像及相应肿瘤轮廓外，未接触任何其它临床信息（如生存、年龄、吸烟史）。此外，通过对U-Net的可视化，我们还发现了令人信服的证据：进展区域似乎与U-Net特征所识别出的、预测较高死亡可能性的模式区域相吻合。我们预期我们的发现将成为更精细的非侵入性患者特异性癌症预后判定的起点。
引用
@article{arxiv.1903.11593,
title = {Deep segmentation networks predict survival of non-small cell lung cancer},
author = {Stephen Baek and Yusen He and Bryan G. Allen and John M. Buatti and Brian J. Smith and Ling Tong and Zhiyu Sun and Jia Wu and Maximilian Diehn and Billy W. Loo and Kristin A. Plichta and Steven N. Seyedin and Maggie Gannon and Katherine R. Cabel and Yusung Kim and Xiaodong Wu},
journal= {arXiv preprint arXiv:1903.11593},
year = {2019}
}