Merging-Diverging Hybrid Transformer Networks for Survival Prediction in Head and Neck Cancer

Merging-Diverging Hybrid Transformer Networks for Survival Prediction in Head and Neck Cancer

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は何ですか？
- 癌患者の生存予測は治療計画の策定において重要であり、最近の研究では深層学習と医用画像に基づく深層生存モデルの有用性が示された。しかし、既存の深層生存モデルは、多様な画像を活用することが出来ず、また、新しい特異的情報の抽出にも限界があった。

2. 本研究の目的及び学術的独自性と創造性は何ですか？
- 本研究では、深層学習と医療画像を活用して癌患者の生存予測を行い、X-shape merging-diverging hybrid transformer networkと呼ばれるフレームワークを提案した。提案されたフレームワークは、複数のモダリティ画像の情報を効果的に融合するマージングエンコーダーと、領域特異的情報を抽出するダイバージング・デコーダーを備えており、既存研究と比較して高い生存予測性能を発揮した。

3. 本研究の着想に至った経緯や，関連する国内外の研究動向と本研究の位置づけは何ですか？
- 深層学習を用いた生存予測モデルの研究は盛んになっているが、複数のモダリティを複合的に用いる例は少ない。また、本研究では既存の深層生存モデルよりも滑らかで正確な予測ができるように工夫がなされている。

4. 本研究で何をどのように、どこまで明らかにした？
- 本研究では、X-shape merging-diverging hybrid transformer network（XSurv）を提案し、患者のヘッド・ネック領域におけるPET-CT画像から生存予測を行った。このモデルは、複数のモダリティによる情報連携を実現し、PTおよびMLN領域の特異的情報も取り出すことができた。

5. 本研究の有効性はどのように検証した？
- HEad and neCK TumOR segmentation and outcome prediction challenge（HECKTOR 2022）の公式データセットを用いて、XSurvが他の生存予測手法と比較して高い性能を示すことを示した。