방사체학적 특징 통합 심층 학습 모델과 계층적 손실 함수를 이용한 골육종 조직학적 분류

Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification

골육종(Osteosarcoma, OS)은 공격적인 원발성 뼈 악성 종양입니다. 보조 화학 요법 후 생존 가능 세포와 비생존 가능 종양 영역의 정확한 조직병리학적 평가는 예후 및 치료 계획 수립에 매우 중요하지만, 수동 평가는 노동 집약적이고 주관적이며 관찰자 간의 편차에 취약합니다. 최근 디지털 병리학의 발전으로 자동화된 괴사량 측정 기술이 가능해졌습니다. 환자 수준에서 독립적으로 샘플링된 테스트 데이터를 사용하여 평가한 결과, 이전 연구에서 보고된 타일 수준의 일반화 능력을 가진 심층 학습 모델의 성능이 현저히 저하되는 것을 확인했습니다. 첫째, 본 연구에서는 모델 학습 시 방사체학적 특징을 추가 입력으로 사용하는 방법을 제안합니다. 이미지에서 파생된 이러한 다중 모드 입력은 분류 성능을 효과적으로 향상시킬 뿐만 아니라 해석 가능성에도 추가적인 이점을 제공한다는 것을 보여줍니다. 둘째, 본 연구에서는 종양-비종양 및 생존 가능-비생존 가능과 같은 계층적 클래스를 사용하여 두 개의 이진 분류 작업을 최적화하는 방법을 제안합니다. 이는 비종양, 비생존 가능 종양, 생존 가능 종양의 '단순' 세 클래스 분류 작업과 대조됩니다. 이를 통해 계층적 손실 함수를 적용할 수 있습니다. 가중치가 조정 가능한 두 작업 간의 계층적 손실 함수는 각 클래스의 성능을 크게 향상시킬 수 있습니다. TCIA OS Tumor Assessment 데이터 세트를 사용하여 제안된 새로운 접근 방식 및 이들의 조합의 이점을 실험적으로 입증했으며, 이 오픈 데이터 세트에 대한 해당 응용 분야에서 새로운 최고 성능을 달성했습니다. 코드 및 학습된 모델: https://github.com/YaxiiC/RadiomicsOS.git.

Osteosarcoma (OS) is an aggressive primary bone malignancy. Accurate histopathological assessment of viable versus non-viable tumor regions after neoadjuvant chemotherapy is critical for prognosis and treatment planning, yet manual evaluation remains labor-intensive, subjective, and prone to inter-observer variability. Recent advances in digital pathology have enabled automated necrosis quantification. Evaluating on test data, independently sampled on patient-level, revealed that the deep learning model performance dropped significantly from the tile-level generalization ability reported in previous studies. First, this work proposes the use of radiomic features as additional input in model training. We show that, despite that they are derived from the images, such a multimodal input effectively improved the classification performance, in addition to its added benefits in interpretability. Second, this work proposes to optimize two binary classification tasks with hierarchical classes (i.e. tumor-vs-non-tumor and viable-vs-non-viable), as opposed to the alternative ``flat'' three-class classification task (i.e. non-tumor, non-viable tumor, viable tumor), thereby enabling a hierarchical loss. We show that such a hierarchical loss, with trainable weightings between the two tasks, the per-class performance can be improved significantly. Using the TCIA OS Tumor Assessment dataset, we experimentally demonstrate the benefits from each of the proposed new approaches and their combination, setting a what we consider new state-of-the-art performance on this open dataset for this application. Code and trained models: https://github.com/YaxiiC/RadiomicsOS.git.