치료 반응 예측을 위한 장기 의료 영상 데이터의 그래프 표현 학습

Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction

유방암 환자의 경우, 병리학적 완전 관해(pCR)는 장기적인 결과에 대한 임상적으로 의미 있는 지표로 확립되었습니다. 일반적으로 신보조 화학 요법(NACT)으로 치료하지만, 환자 간의 치료 반응 차이가 크기 때문에 정확하게 개별 환자의 치료 반응을 예측할 수 있는 모델이 필요합니다. 이를 위해, 우리는 의료 영상 기반의 3차원 시공간 프레임워크를 제안하며, 이는 최첨단 그래프 신경망과 시간 경과에 따른 상호 작용의 관계적 모델링을 통합하고, 세 가지 새로운 보완적인 자기 지도 학습 치료 경로 표현 학습 목표를 포함합니다. 공개된 ISPY-2 데이터셋에서 585명의 환자 코호트에서의 실험 결과, 제안하는 방법은 다양한 분류 지표에서 기존의 이미지 기반 학습 및 자기 지도 학습 모델을 크게 능가하는 것으로 나타났습니다. 본 연구는 유방암 pCR 예측에 대한 기준점을 제시하고 있으며, 제안하는 방법의 각 구성 요소에 대한 체계적인 분석과 함께, 환자별 DCE-MRI 검사 횟수와 검사 간 시간 차이 포함 여부가 결과에 미치는 영향을 실증적으로 평가합니다. 종합적으로 볼 때, 본 연구는 임상적으로 의미 있는 장기 의료 영상 모델링을 통해 NACT 유도 pCR을 예측하는 데 유용함을 입증합니다. 우리는 연구 결과를 발표한 후 코드 저장소와 사용하기 쉬운 PyPI 라이브러리를 공개하여 재현 가능한 오픈 소스 연구를 적극적으로 지원할 것입니다.

In patients with breast cancer, pathological complete response (pCR) has been established as a clinically meaningful surrogate marker for long-term outcomes. While commonly treated with neoadjuvant chemotherapy (NACT), effective treatment decision-making remains challenging, as therapeutic response can vary substantially across patients, calling for predictive models capable of accurately estimating individualized treatment response. To address this, we propose an imaging-based 3D spatio-temporal framework for treatment response prediction that integrates a state-of-the-art graph neural network with relational modeling of temporal interactions across timepoints alongside three novel complementary self-supervised treatment trajectory representation learning objectives. Experiments across a cohort of 585 patients from the public ISPY-2 dataset demonstrate that our method substantially outperforms both vision and self-supervised learning baselines across several classification metrics. Alongside establishing a breast cancer pCR prediction benchmark, we include a principled ablation of our method and further introduce and empirically assess the impact of the available number of DCE-MRI timepoints per patient trajectory and the inclusion of inter-scan time-differences. Overall, our study substantiates the utility of clinically meaningful longitudinal medical imagaging modeling for predicting NACT-induced pCR. We will publicly share our code repository and a user-friendly PyPI library for dataset curation upon publication, effectively promoting reproducible open-source research.