An attention-based deep learning network for predicting Platinum resistance in ovarian cancer

要約

背景: 卵巣がんは、世界的に最も頻度の高い 3 つの婦人科がんの 1 つです。
高悪性度漿液性卵巣がん (HGSOC) は、最も一般的で進行性の組織型です。
HGSOC のガイド付き治療には通常、プラチナベースの併用化学療法が含まれ、患者がプラチナ耐性があるかどうかの評価が必要です。
この研究の目的は、マルチモーダル陽電子放出断層撮影/コンピュータ断層撮影 (PET/CT) 画像を使用して、患者がプラチナ耐性があるかどうかを判断するための深層学習ベースの方法を提案することです。
方法: この研究には、HGSOC 患者 289 人が含まれました。
エンドツーエンドの SE-SPP-DenseNet モデルは、スクイーズ励起ブロック (SE ブロック) と空間ピラミッド プーリング層 (SPPLayer) を高密度畳み込みネットワーク (DenseNet) に追加することによって構築されました。
関心領域 (ROI) の PET/CT 画像からのマルチモーダル データを使用して、患者のプラチナ耐性を予測しました。
結果: 5 重交差検証により、SE-SPP-DenseNet は、患者のプラチナ耐性の予測において、それぞれ 92.6% と 0.93 という高い精度と曲線下面積 (AUC) を達成しました。
SE Block と SPPLayer を深層学習モデルに組み込み、マルチモーダル データを考慮することの重要性は、単一モダリティ データを使用したアブレーション研究と実験を実行することによって実証されました。
結論：得られた分類結果は、私たちが提案した深層学習フレームワークが患者のプラチナ耐性を予測する際に優れたパフォーマンスを発揮し、婦人科医がより適切な治療決定を下すのに役立つ可能性があることを示しています。
キーワード: PET/CT、CNN、SEブロック、SPP層、白金耐性、卵巣がん

要約(オリジナル)

Background: Ovarian cancer is among the three most frequent gynecologic cancers globally. High-grade serous ovarian cancer (HGSOC) is the most common and aggressive histological type. Guided treatment for HGSOC typically involves platinum-based combination chemotherapy, necessitating an assessment of whether the patient is platinum-resistant. The purpose of this study is to propose a deep learning-based method to determine whether a patient is platinum-resistant using multimodal positron emission tomography/computed tomography (PET/CT) images. Methods: 289 patients with HGSOC were included in this study. An end-to-end SE-SPP-DenseNet model was built by adding Squeeze-Excitation Block (SE Block) and Spatial Pyramid Pooling Layer (SPPLayer) to Dense Convolutional Network (DenseNet). Multimodal data from PET/CT images of the regions of interest (ROI) were used to predict platinum resistance in patients. Results: Through five-fold cross-validation, SE-SPP-DenseNet achieved a high accuracy rate and an area under the curve (AUC) in predicting platinum resistance in patients, which were 92.6% and 0.93, respectively. The importance of incorporating SE Block and SPPLayer into the deep learning model, and considering multimodal data was substantiated by carrying out ablation studies and experiments with single modality data. Conclusions: The obtained classification results indicate that our proposed deep learning framework performs better in predicting platinum resistance in patients, which can help gynecologists make better treatment decisions. Keywords: PET/CT, CNN, SE Block, SPP Layer, Platinum resistance, Ovarian cancer

arxiv情報

提供元, 利用サービス

arxiv.jp, Google