Wang et al., 2019, Lung Cancer Detection using Co-learning from Chest CT Images and Clinical Demographics

# 세줄요약 #

1. 폐암진단에 있어 위양성(False Postive)를 줄이기 위해 저자 그룹은 CT 영상과 함께 진단 통계 자료(Clinical Demographics)를 동시에 학습시켰으며, 사용한 데이터셋은 "Molecular and Cellular Characterization of Screen-Detected Lesions (MCL)"이다.
2. 3D CT 영상 학습에는 3D Attention-Based CNN(Convolutional Neural Network)을 사용하였고, 이미지 특성(image features)과 진단 정보(Clinical Information) 학습에는 Random Foreset Classifier를 사용하였다.
3. 영상 정보와 진단 정보를 함께 학습시킨 결과(AUC = 0.787)가 영상 정보만 학습(AUC = 0.687)시키거나 진단 정보만을 학습(AUC = 0.635)시켰을 때보다 확실히 우수한 성능을 보였다.

 

# 상세리뷰 #

1. 폐암진단에 있어 위양성(False Postive)를 줄이기 위해 저자 그룹은 CT 영상과 함께 진단 통계 자료(Clinical Demographics)를 동시에 학습시켰으며, 사용한 데이터셋은 "Molecular and Cellular Characterization of Screen-Detected Lesions (MCL)"이다.

 - MCL 데이터셋에서 진단정보와 흉부 CT 이미지를 동시에 가진 케이스는 387개, 그 중에어 227개의 케이스를 사용하였으며 20% 데이터는 테스트 데이터로 남겨두고 남은 데이터는 4-fold cross validation 기법(Train/Validation = 8:2)을 사용하여 합습시켰다.

 - 전처리의 경우 Hounsfield Unit score를 사용하여 폐영역만 분할한 뒤에 3D-UNet을 사용하여 노듈에 대한 마스크를 만든 다음 채널로 추가하여 3D + 2 channel의 4D tensor로 만들어 학습을 진행하였다.

 

2. 3D CT 영상 학습에는 3D Attention-Based CNN(Convolutional Neural Network)을 사용하였고, 이미지 특성(image features)과 진단 정보(Clinical Information) 학습에는 Random Foreset Classifier를 사용하였다.

 -  3D Attention-Based CNN: 일반적인 3D CNN 구조(VGG와 같은 단순 직렬구조)에 2D Soft Attention Gate가 확장되어 붙어있는 형태.

 -  오버피팅을 피하고 학습 성능을 향상 시키기 위해 트레이닝 데이터셋에서는 Kaggle DSB2017의 데이터 1390 케이스를 학습에 추가하였다.

Figure 2. Method pipeline: the proposed pipeline co-learns with 3D CT images and clinical demographic information to classify early-stage lung cancer and predict biopsy determined diagnosis. This pipeline will be compared to image-only method, clinical-information-only method and Kaggle Top1 solution.

 

3. 영상 정보와 진단 정보를 함께 학습시킨 결과(AUC = 0.787)가 영상 정보만 학습(AUC = 0.687)시키거나 진단 정보만을 학습(AUC = 0.635)시켰을 때보다 확실히 우수한 성능을 보였다.

 - 영상정보와 진단정보를 동시 학습(Co-Learning pipline)으로 한것과 영상정보, 진단정보 각각 학습한 것과 비교해보이면 성능의 차이가 분명히 존재한다. 진단정보는 위양성을 줄이는데 효과를 보이고 있다.

 - 아래의 그림은 Validation 데이터(위쪽)와 Test 데이터(아래쪽)에 대하여 왼쪽 패널에서는 ROC(Receiver Operating Characteristic) Curve와 AUC(Area Under the ROC Curve) 값을 보여주고, 오른쪽 패널에서는 동시학습(Proposed), 진단정보만 학습(Clinical only), 영상 정보만 학습(Image only), 케글 데이터셋 학습(Kaggle) 등에 대한 Confusion Matrix를 보여주고 있다.

 

Figure 7 plots the (ROC) and Area Under the ROC (AUC)
curves

Figure 7.  Quantitative results comparisons for the proposed pipeline, image-only method, using clinical-demographic-only method and Kaggle Top1 solution: (A) Validation ROC curves. (B) Validation confusion matrices. (C) Testing ROC curves. (D) Testing confusion matrices. The confusion matrices are plotted with class prediction thresholds selected based on ROC curves to render optimal results.

* Reference: Jiachen Wang, Riqiang Gao, Yuankai Huo, Shunxing Bao, Yunxi Xiong, Sanja L. Antic , Travis J. Osterman , Pierre P. Massion, Bennett A. Landman, "Lung cancer detection using co-learning from chest CT images and clinical demographics," Proc. SPIE 10949, Medical Imaging 2019: Image Processing, 109491G (15 March 2019); https://doi.org/10.1117/12.2512965