[論文レビュー] A Multi-resolution Model for Histopathology Image Classification and Localization with Multiple Instance Learning

Jiayun Li, Wenyuan Li+5 more|arXiv (Cornell University)|Nov 5, 2020

AI in cancer detection参考文献 60被引用数 6

ひとこと要約

本論文は、スライドレベルのラベルのみを用いて、がん巣領域を局在化し、前立腺がんの進行度を分類するためのマルチスケール複数インスタンス学習（MRMIL）モデルを提案する。アテンションマップと階層的特徴抽出を活用することで、良性、低悪性度、高悪性度分類において92.7％の正確性と81.8％のCohenのKappaを達成し、外部データセットではがん検出に98.2％のAUROCを達成した。

ABSTRACT

Histopathological images provide rich information for disease diagnosis. Large numbers of histopathological images have been digitized into high resolution whole slide images, opening opportunities in developing computational image analysis tools to reduce pathologists' workload and potentially improve inter- and intra- observer agreement. Most previous work on whole slide image analysis has focused on classification or segmentation of small pre-selected regions-of-interest, which requires fine-grained annotation and is non-trivial to extend for large-scale whole slide analysis. In this paper, we proposed a multi-resolution multiple instance learning model that leverages saliency maps to detect suspicious regions for fine-grained grade prediction. Instead of relying on expensive region- or pixel-level annotations, our model can be trained end-to-end with only slide-level labels. The model is developed on a large-scale prostate biopsy dataset containing 20,229 slides from 830 patients. The model achieved 92.7% accuracy, 81.8% Cohen's Kappa for benign, low grade (i.e. Grade group 1) and high grade (i.e. Grade group >= 2) prediction, an area under the receiver operating characteristic curve (AUROC) of 98.2% and an average precision (AP) of 97.4% for differentiating malignant and benign slides. The model obtained an AUROC of 99.4% and an AP of 99.8% for cancer detection on an external dataset.

研究の動機と目的

• 病理医の作業負荷を軽減するため、全スライド画像解析のための弱教師ありディープラーニングモデルを開発すること。
• 高価なピクセル単位またはパッチ単位のアノテーションを必要とせずに、ヒストパスロジー・スライド内の懸念すべき領域を局在化すること。
• 自動的かつ解釈可能な分類を可能にすることで、前立腺がんの進行度評価における観察者間および観察者内的一致性を向上させること。
• 病理学的ワークフローにおけるスクリーニングおよび第二読影を支援できる、臨床応用可能なCADツールを開発すること。

提案手法

• モデルは二段階のフレームワークを採用する：まずアテンションマップを用いて顕著な領域を特定する検出段階を経て、その後、その領域から抽出した高解像度タイルを用いて分類を行う段階。
• 全スライド画像から異なる倍率レベルでマルチスケール特徴を抽出することで、グローバルな文脈と微細な組織的詳細の両方を捉える。
• スライドレベルのラベルを用いて複数インスタンス学習（MIL）を適用し、各スライドをパッチの「バッグ」として扱い、最も予測に寄与するパッチをモデルが学習する。
• アテンションモジュールがサリエンシー・マップを生成することで、診断的に関連する領域を強調し、解釈可能性を向上させるとともに、がん巣領域への注目を高める。
• 訓練中にインスタンスドロップアウトを適用することで、多様な組織像にわたる一般化性能を向上させる。
• 予測の解釈と、アテンションマップが病理学的に関連する特徴と一致しているかを検証するために、Grad-CAM可視化が用いられた。

実験結果

リサーチクエスチョン

• RQ1 スライドレベルのラベルのみを用いて、弱教師ありディープラーニングモデルが全スライド画像内のがん巣領域を局在化できるか？
• RQ2 多スケール特徴学習は、異質なヒストパスロジー・スライドにおける分類性能を向上させるのにどの程度有効か？
• RQ3 モデルが生成するアテンションマップは、専門家が特定した病理学的に関連する領域とどの程度一致するか？
• RQ4 微細なアノテーションを必要とせずに、がん検出および進行度予測において最先端の性能を達成できるか？

主な発見

• MRMILモデルは、20,229枚のスライドから成るデータセットにおいて、良性、低悪性度（GG1）、高悪性度（GG ≥ 2）の前立腺がん分類で92.7％の正確性と81.8％のCohenのKappaを達成した。
• 内部データセットでは、悪性と良性のスライドを区別するための受信者操作特性曲線下積分（AUROC）が98.2％に達した。
• 外部データセットでは、がん検出に99.4％のAUROCと99.8％の平均適合率を達成し、優れた汎化性能を示した。
• アテンションベースのタイル選択を導入したことで、ベースラインのタイル選択と比較してCohenのKappaが1％向上し、インスタンスドロップアウトの適用によりさらに3％以上性能が向上した。
• Grad-CAM可視化により、モデルが生物学的に関連する領域、特にアキナール腺がんや前立腺内頭がん（Intraductal carcinoma of the prostate）に注目していることが確認された。これは、後者について明示的に訓練されていなくても同様に注目していたことを示している。
• 特徴空間解析の結果、悪性スライドは明確なクラスタを形成しており、低悪性度と高悪性度スライドは埋め込み空間上で分離可能であることが示され、有効な表現学習が行われていることが裏付けられた。