Multimodal Deep Learning for Personalized Renal Cell Carcinoma Prognosis: Integrating CT Imaging and Clinical Data

要約

腎細胞がんは生存率が低く、世界的な健康上の重大な課題となっています。
この研究は、CT画像と臨床データを統合し、先行研究で観察された限界に対処することで、腎細胞癌患者の生存確率を予測できる包括的な深層学習モデルを考案することを目的としていました。
目的は、緊急の治療が必要な患者の特定を容易にすることです。
提案されたフレームワークは、3D 画像特徴抽出、臨床変数選択、生存予測の 3 つのモジュールで構成されています。
3D CNN アーキテクチャに基づく特徴抽出モジュールは、CT 画像から死亡率に関連する腎細胞癌腫瘍の ISUP グレードを予測します。
臨床変数の選択は、基準としてスピアマン スコアとランダム フォレスト重要度スコアを使用して体系的に選択されます。
離散ロジスティックハザードベースの損失でトレーニングされた深層学習ベースのネットワークが生存予測を実行します。
スピアマンおよび重要度スコアの異なる閾値によって決定されるさまざまな数の臨床変数を使用して、9 つの異なる実験が実行されます。
我々の調査結果は、提案された戦略がCTスキャンと臨床因子に基づく腎癌の予後に関する現在の文献を超えていることを示しています。
最も優れた結果を示した実験では、テスト コホートの一致指数 0.84 と曲線下面積値 0.8 が得られ、強力な予測力が示唆されました。
この研究で開発されたマルチモーダル深層学習アプローチは、CT画像と臨床データを使用した腎細胞癌患者の生存確率の推定において有望な結果を示しています。
これは、緊急の治療が必要な患者の特定に潜在的な影響を及ぼし、患者の転帰を改善する可能性があります。
このプロジェクト用に作成されたコードは、\href{https://github.com/Balasingham-AI-Group/Survival_CTplusClinical}{GitHub} で公開されています。

要約(オリジナル)

Renal cell carcinoma represents a significant global health challenge with a low survival rate. This research aimed to devise a comprehensive deep-learning model capable of predicting survival probabilities in patients with renal cell carcinoma by integrating CT imaging and clinical data and addressing the limitations observed in prior studies. The aim is to facilitate the identification of patients requiring urgent treatment. The proposed framework comprises three modules: a 3D image feature extractor, clinical variable selection, and survival prediction. The feature extractor module, based on the 3D CNN architecture, predicts the ISUP grade of renal cell carcinoma tumors linked to mortality rates from CT images. A selection of clinical variables is systematically chosen using the Spearman score and random forest importance score as criteria. A deep learning-based network, trained with discrete LogisticHazard-based loss, performs the survival prediction. Nine distinct experiments are performed, with varying numbers of clinical variables determined by different thresholds of the Spearman and importance scores. Our findings demonstrate that the proposed strategy surpasses the current literature on renal cancer prognosis based on CT scans and clinical factors. The best-performing experiment yielded a concordance index of 0.84 and an area under the curve value of 0.8 on the test cohort, which suggests strong predictive power. The multimodal deep-learning approach developed in this study shows promising results in estimating survival probabilities for renal cell carcinoma patients using CT imaging and clinical data. This may have potential implications in identifying patients who require urgent treatment, potentially improving patient outcomes. The code created for this project is available for the public on: \href{https://github.com/Balasingham-AI-Group/Survival_CTplusClinical}{GitHub}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google