多様なPET/CTデータセットからの半教師あり擬似ラベル付けと学習を用いた肺がん生存予測の向上

[fulfulggg]

タイトル: 多様なPET/CTデータセットからの半教師あり擬似ラベル付けと学習を用いた肺がん生存予測の向上

リンク: https://arxiv.org/abs/2412.00068

概要:

本研究では、肺がん(LCa)生存予測の向上を目的として、PET/CT画像から抽出される手作業による放射線画像特徴量(HRF)と深層学習による放射線画像特徴量(DRF)をハイブリッド機械学習システム(HMLS)で解析し、多様なデータセットを用いた疑似ラベル戦略による半教師あり学習(SSL)を検討した。TCIAおよび当施設データベースからPET/CT画像付きのLCa患者199例と、TCIAから頭頸部がん(HNCa)のPET/CT画像408例を収集した。ViSERAソフトウェアを用いて、セグメンテーションされた原発腫瘍からPySERAにより215個のHRF、3Dオートエンコーダにより1024個のDRFをそれぞれ抽出した。教師あり学習(SL)戦略では、HRFとDRFの両方に対して、主成分分析(PCA)と4つの分類器を組み合わせたHMLSを採用した。SSL戦略では、ランダムフォレストアルゴリズムでラベル付けした408例のHNCa疑似ラベルデータを追加することでデータセットを拡張し、同じHMLS技術を用いた。さらに、生存ハザード比分析には、PCAと4つの生存予測アルゴリズムを組み合わせた手法を用いた。SSL戦略はSL法よりも優れた性能を示し(p値<0.05)、PET由来のDRFとPCA+多層パーセプトロン(MLP)の組み合わせで平均精度0.85を達成した。一方、SL戦略では、CT由来のDRFとPCA+K近傍法(KNN)の組み合わせで0.65であった。また、CTから抽出されたHRFとDRFの両方に対して、PCAとComponent-wise Gradient Boosting Survival Analysisを組み合わせた手法は、平均c-index 0.80、ログランク検定p値<<0.001を達成し、外部テストでも確認された。データが少ない状況では、HRFとSL戦略からDRFとSSL戦略に移行することで、CTまたはPET単独でも高い予測性能を達成できる。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• medical-imaging
• semi-supervised-learning
• survival-analysis

以下の新しいラベルが作成され、適用されました：

• survival-analysis

[fulfulggg]

論文要約

この論文は、PET/CT画像を用いた肺がんの生存予測精度向上を目的として、半教師あり学習(SSL)を用いた新しい手法を提案しています。

• 手法: 肺がん患者と頭頸部がん患者のPET/CT画像データを使用。肺がんデータで学習モデルを訓練し、頭頸部がんデータに疑似ラベルを付けて学習データを拡張(SSL)。従来の教師あり学習(SL)と比較。
• 特徴量抽出: 画像からは、専門家による測定値(HRF)と深層学習による特徴量(DRF)の2種類を抽出。
• 予測モデル: HRFとDRFを組み合わせて、主成分分析(PCA)と機械学習アルゴリズム(分類器や生存分析アルゴリズム)を用いて生存予測モデルを構築。
• 結果: SSLを用いることで、SLよりも高い予測精度を達成。特に、PET画像から深層学習で抽出した特徴量(DRF)と多層パーセプトロン(MLP)の組み合わせが最も効果的だった。データが少ない場合は、CT画像から抽出した特徴量と従来の教師あり学習でも高い精度が出た。
• 結論: 少ない肺がんデータでも、頭頸部がんデータを用いたSSLによって生存予測精度を向上できる。深層学習による特徴量とSSLの組み合わせは、肺がんの予後予測に有効な手段となる可能性を示唆。