MGMT promoter methylation status prediction using MRI scans? An extensive experimental evaluation of deep learning models

要約

【タイトル】MRIスキャンを用いたMGMTプロモーターメチル化状態の予測に関するディープラーニングモデルの実験的評価

【要約】
– 医療診断におけるディープラーニングの研究は増加しており、多くの研究は臨床医よりも優れているとされている。しかし、それらの多くは医療効果を証明していない。
– 今回は高齢者に多い致死性の脳腫瘍であるグリオブラストーマの評価のために様々なディープラーニングアルゴリズムを検討する。グリオブラストーマ治療法は、手術、化学療法、放射線治療が標準的である。
– MGMTプロモーターのメチル化状態は、化学療法の効果に影響を与えるため、重要である。そのため、脳腫瘍のMRIスキャンからMGMTプロモーターのメチル化状態を予測するためにディープラーニングモデルを使用する研究が行われている。
– 本研究では、585人の公開MRIデータセットを用いて、MGMTプロモーターメチル化状態をMRIスキャンから予測するためにディープラーニングモデルを採用した。Grad-CAM、occlusion sensitivity、feature visualizations、training loss landscapesによってこれらのモデルをテストし、その相関はなかった。
– 結果から、これらのモデルの性能を検証するために外部のコホートデータを使用することが必要である。そうすることで、がん診断におけるディープラーニングシステムの正確性と信頼性を保証することができる。

要約(オリジナル)

The number of studies on deep learning for medical diagnosis is expanding, and these systems are often claimed to outperform clinicians. However, only a few systems have shown medical efficacy. From this perspective, we examine a wide range of deep learning algorithms for the assessment of glioblastoma – a common brain tumor in older adults that is lethal. Surgery, chemotherapy, and radiation are the standard treatments for glioblastoma patients. The methylation status of the MGMT promoter, a specific genetic sequence found in the tumor, affects chemotherapy’s effectiveness. MGMT promoter methylation improves chemotherapy response and survival in several cancers. MGMT promoter methylation is determined by a tumor tissue biopsy, which is then genetically tested. This lengthy and invasive procedure increases the risk of infection and other complications. Thus, researchers have used deep learning models to examine the tumor from brain MRI scans to determine the MGMT promoter’s methylation state. We employ deep learning models and one of the largest public MRI datasets of 585 participants to predict the methylation status of the MGMT promoter in glioblastoma tumors using MRI scans. We test these models using Grad-CAM, occlusion sensitivity, feature visualizations, and training loss landscapes. Our results show no correlation between these two, indicating that external cohort data should be used to verify these models’ performance to assure the accuracy and reliability of deep learning systems in cancer diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI