DeepMTS: Deep Multi-task Learning for Survival Prediction in Patients with Advanced Nasopharyngeal Carcinoma using Pretreatment PET/CT

要約

上咽頭がん（NPC）は、鼻咽頭に発生する悪性上皮性がんです。NPC患者にとって生存予測は、治療計画を立てるための早期予後情報を提供するため、大きな関心事となっています。近年、ディープラーニングに基づく深部生存モデルが、従来のラジオミクスに基づく生存予測モデルを上回る可能性を示しています。深層生存モデルは通常、対象領域全体（例えば、NPCの場合は鼻咽頭）をカバーする画像パッチ、またはセグメント化された腫瘍領域のみを含む画像パッチを入力として使用する。しかし、対象領域全体を用いたモデルでは、関連性のない背景情報も含まれてしまい、セグメント化された腫瘍領域を用いたモデルでは、原発巣以外に存在する予後を予測しうる情報（例えば、局所リンパ節転移や隣接組織浸潤など）が無視されることになる。本研究では、治療前のPET/CTから進行NPCの生存予測と腫瘍セグメンテーションを同時に行う3DエンドツーエンドDeep Multi-Task Survivalモデル（DeepMTS）を提案する。我々の新規性は、原発腫瘍に関連する局所特徴の抽出を導くためのハードシェアリングセグメンテーションバックボーンの導入であり、これにより関連性のない背景情報からの干渉を減らすことができる。さらに、カスケード生存ネットワークを導入することで、原発巣の外に存在する予後情報を取得し、セグメンテーションバックボーンから得られるグローバルな腫瘍情報（例えば、腫瘍のサイズ、形状、位置）をさらに活用することができる。2つの臨床データセットを用いた実験により、我々のDeepMTSは従来のラジオミクスに基づく生存予測モデルや既存の深層生存モデルを一貫して上回ることができることを実証している。

要約(オリジナル)

Nasopharyngeal Carcinoma (NPC) is a malignant epithelial cancer arising from the nasopharynx. Survival prediction is a major concern for NPC patients, as it provides early prognostic information to plan treatments. Recently, deep survival models based on deep learning have demonstrated the potential to outperform traditional radiomics-based survival prediction models. Deep survival models usually use image patches covering the whole target regions (e.g., nasopharynx for NPC) or containing only segmented tumor regions as the input. However, the models using the whole target regions will also include non-relevant background information, while the models using segmented tumor regions will disregard potentially prognostic information existing out of primary tumors (e.g., local lymph node metastasis and adjacent tissue invasion). In this study, we propose a 3D end-to-end Deep Multi-Task Survival model (DeepMTS) for joint survival prediction and tumor segmentation in advanced NPC from pretreatment PET/CT. Our novelty is the introduction of a hard-sharing segmentation backbone to guide the extraction of local features related to the primary tumors, which reduces the interference from non-relevant background information. In addition, we also introduce a cascaded survival network to capture the prognostic information existing out of primary tumors and further leverage the global tumor information (e.g., tumor size, shape, and locations) derived from the segmentation backbone. Our experiments with two clinical datasets demonstrate that our DeepMTS can consistently outperform traditional radiomics-based survival prediction models and existing deep survival models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL