[論文レビュー] A Deep Learning Framework for Automatic Diagnosis in Lung Cancer

Nikolay Burlutskiy, Feng Gu+3 more|arXiv (Cornell University)|Jul 27, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 7被引用数 11

ひとこと要約

本論文は、H&E染色された全スライド画像を用いた、肺がん領域の自動セグメンテーションを目的としたディープラーニングフレームワークを提示する。専門家によるアノテーションが施された712例の患者コアを用いて訓練されたフレームワークは、ピクセル単位のがん検出において80%の精度と86%の再現率を達成し、U-Netおよび123Sモデルが臨床的および公開済みスタンフォードTMAデータセットの両方で優れた性能を示した。

ABSTRACT

We developed a deep learning framework that helps to automatically identify and segment lung cancer areas in patients' tissue specimens. The study was based on a cohort of lung cancer patients operated at the Uppsala University Hospital. The tissues were reviewed by lung pathologists and then the cores were compiled to tissue micro-arrays (TMAs). For experiments, hematoxylin-eosin stained slides from 712 patients were scanned and then manually annotated. Then these scans and annotations were used to train segmentation models of the developed framework. The performance of the developed deep learning framework was evaluated on fully annotated TMA cores from 178 patients reaching pixel-wise precision of 0.80 and recall of 0.86. Finally, publicly available Stanford TMA cores were used to demonstrate high performance of the framework qualitatively.

研究の動機と目的

• 肺がんの組織マイクロアレイ（TMA）における自動セグメンテーションのためのディープラーニングフレームワークの開発を目的とし、病理医の作業負荷とばらつきを低減すること。
• GPUメモリの制限を超える高解像度の全スライド画像を処理する課題に対処するため、パッチベースのセマンティックセグメンテーションを用いること。
• 専門家がアノテートした712例の肺がん患者のバランスの取れたコhortを用いて、モデルの性能を評価すること。
• 訓練済みモデルを公開済みのスタンフォードTMAデータセットに適用することで、汎用性の可能性を示すこと。
• 臨床的意思決定支援を支援する、堅牢でスケーラブルなデジタル病理学ソリューションを提供すること。

提案手法

• フレームワークはパッチベースのアプローチを採用し、高解像度のTMAスライド（0.5 μm/ピクセル）を処理可能な小さな画像パッチに分割する。
• 癌、ストーマ、壊死、正常肺、除外領域の5つの組織クラスをセマンティックセグメンテーションするために、7種類のディープニューラルネットワーク（123S、dilatednet、drn-C26、drn-C42、unet、densenet-D56、densenet-D103）を訓練した。
• 二値分類（がん対非がん）にはシグモイド交差エントロピー損失関数を用い、予測値はシグモイド関数 σ(z) = 1 / (1 + exp(-z)) を用いて変換した。
• トレーニングにはAdam最適化手法を採用し、10台のTitanXp GPUを搭載したGPUクラスタ上で、すべてのモデルが効率的に収束できるようにした。
• 予測されたパッチを再構成することで、完全なTMAコアの予測を再現し、空間的一致性を保持した。
• テストコア全体のピクセルレベル評価に基づき、適合性と再現率のバランスを取る最適なしきい値を選定した。

実験結果

リサーチクエスチョン

• RQ1 GPUメモリの制限を超える高解像度の全スライドTMA画像において、ディープラーニングフレームワークが高精度なピクセル単位の肺がんセグメンテーションを達成できるか？
• RQ2 最新のセマンティックセグメンテーションアーキテクチャの異なるモデルは、H&E染色された肺がん組織におけるがん領域の分類において、どのように性能を発揮するか？
• RQ3 訓練済みモデルは、公開済みのスタンフォードTMAコアのような外部データセットへどの程度一般化できるか？
• RQ4 専門家によるアノテーションの品質とモデルアーキテクチャの選択が、臨床的病理学的文脈におけるセグメンテーション性能に与える影響はどの程度か？
• RQ5 病理医は、実際の診断現場において、ピクセルレベルでのディープラーニング予測の正確性を信頼して検証できるか？

主な発見

• 123SおよびU-Netモデルが、178例のテストコアにおいて最高の性能を示し、精度80%、再現率86%を達成した。
• フレームワークは強力な一般化能力を示し、病理医が公開済みのスタンフォードTMAコアにおいて高品質で正確ながんヒートマップを生成したと報告した。
• unetおよび123Sモデルは、他のアーキテクチャーよりも精度と再現率の両面で優れており、優れた特徴抽出と空間局在化能力を示した。
• がん、ストーマ、壊死、正常組織の各クラスにバランスの取れたデータセットを用いることで、安定的かつ信頼性の高いモデル性能が実現した。
• パッチベースの処理戦略により、GPUメモリの制限を超える高解像度の全スライド画像の効果的処理が可能になった。
• フレームワークが詳細なピクセル単位の予測を生成できる能力は、臨床的意思決定支援およびデジタル病理学ワークフローにおける応用可能性を示唆している。