Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients

要約

膵管腺癌の治療効果予測は、死亡率の高いこの腫瘍において、臨床的に困難かつ重要な課題である。この課題に取り組むことができるニューラルネットワークのトレーニングは、大規模なデータセットの欠如と膵臓の難しい解剖学的位置によって妨げられている。ここでは、腫瘍マーカーと同様に臨床医によるがん反応評価の標準的な方法であるRECISTスコアと患者の臨床評価に基づいて、初期化学療法に対する腫瘍の反応を予測するハイブリッドディープニューラルネットワークパイプラインを提案する。我々は、セグメンテーションから分類への表現転送、局所化と表現学習の組み合わせを活用している。我々のアプローチは、合計477のデータセットのみを用いて、ROC-AUC63.7%で治療効果を予測できる、著しくデータ効率の良い方法をもたらす。

要約(オリジナル)

The prediction of pancreatic ductal adenocarcinoma therapy response is a clinically challenging and important task in this high-mortality tumour entity. The training of neural networks able to tackle this challenge is impeded by a lack of large datasets and the difficult anatomical localisation of the pancreas. Here, we propose a hybrid deep neural network pipeline to predict tumour response to initial chemotherapy which is based on the Response Evaluation Criteria in Solid Tumors (RECIST) score, a standardised method for cancer response evaluation by clinicians as well as tumour markers, and clinical evaluation of the patients. We leverage a combination of representation transfer from segmentation to classification, as well as localisation and representation learning. Our approach yields a remarkably data-efficient method able to predict treatment response with a ROC-AUC of 63.7% using only 477 datasets in total.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL