Modeling of Textures to Predict Immune Cell Status and Survival of Brain Tumour Patients

要約

ラジオミクスは、神経膠腫などのさまざまな種類の癌が臨床転帰を予測する能力を示しています。
それは、治療前に免疫療法の反応を評価する非侵襲的な手段を持つことができます。
ただし、深い畳み込みニューラルネットワーク（CNN）ベースのラジオミクスを使用するには、大規模なトレーニング画像セットが必要です。
この問題を回避するために、学習した3D CNN特徴のガウス混合モデル（GMM）を使用して分布をモデル化する新しいイメージング特徴を調査します。
これらの深部放射性機能（DRF）を使用して、神経膠腫患者の免疫マーカーの状態（低対高）および全生存期間を予測することを目指しています。
151人の患者の免疫マーカーに対応するMRIスキャンのラベル付けされた腫瘍領域内の事前トレーニングされた3D-CNNの活性化マップを集約することによってDRFを抽出します。
私たちの実験は、提案されたDRF、3つの免疫細胞マーカー（マクロファージM1、好中球、T細胞濾胞ヘルパー）間の関係を評価し、それらの全生存期間との関連を測定するために実行されます。
ランダムフォレスト（RF）モデルを使用して、DRFは、マクロファージM1、好中球、およびT細胞濾胞ヘルパーのROC曲線（AUC）の下の面積がそれぞれ78.67、83.93、および75.67 \％である免疫マーカーの状態を予測できました。
免疫マーカーをDRFおよび臨床変数と組み合わせて、カプランマイヤー推定量とログランク検定は、p \、= \、4.31 $$ timesで予測された患者グループ（短期生存と長期生存）の間で最も有意な差を達成しました
$ 10 $ ^ {-7} $と比較して、免疫細胞マーカーの場合はp \、= \、0.03、臨床変数の場合はp \、= \、0.07、p \、= \、1.45 $ \ times $ 10 $ ^ {-5
DRFの場合は}$。
私たちの調査結果は、RFモデルで使用される提案された機能（DRF）が、定期的に取得された画像データを通じて、手術前に脳腫瘍の患者を予測することを大幅に検討する可能性があることを示しています。

要約(オリジナル)

Radiomics has shown a capability for different types of cancers such as glioma to predict the clinical outcome. It can have a non-invasive means of evaluating the immunotherapy response prior to treatment. However, the use of deep convolutional neural networks (CNNs)-based radiomics requires large training image sets. To avoid this problem, we investigate a new imaging features that model distribution with a Gaussian mixture model (GMM) of learned 3D CNN features. Using these deep radiomic features (DRFs), we aim to predict the immune marker status (low versus high) and overall survival for glioma patients. We extract the DRFs by aggregating the activation maps of a pre-trained 3D-CNN within labeled tumor regions of MRI scans that corresponded immune markers of 151 patients. Our experiments are performed to assess the relationship between the proposed DRFs, three immune cell markers (Macrophage M1, Neutrophils and T Cells Follicular Helper), and measure their association with overall survival. Using the random forest (RF) model, DRFs was able to predict the immune marker status with area under the ROC curve (AUC) of 78.67, 83.93 and 75.67\% for Macrophage M1, Neutrophils and T Cells Follicular Helper, respectively. Combined the immune markers with DRFs and clinical variables, Kaplan-Meier estimator and Log-rank test achieved the most significant difference between predicted groups of patients (short-term versus long-term survival) with p\,=\,4.31$\times$10$^{-7}$ compared to p\,=\,0.03 for Immune cell markers, p\,=\,0.07 for clinical variables , and p\,=\,1.45$\times$10$^{-5}$ for DRFs. Our findings indicate that the proposed features (DRFs) used in RF models may significantly consider prognosticating patients with brain tumour prior to surgery through regularly acquired imaging data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google