[論文レビュー] A review of machine learning approaches, challenges and prospects for computational tumor pathology

Liangrui Pan, Zhichao Feng+1 more|arXiv (Cornell University)|May 31, 2022

AI in cancer detection被引用数 4

ひとこと要約

本稿は、全スライド画像解析、マルチオミクス統合、臨床情報学を焦点とした計算腫瘍病理学における機械学習アプローチをレビューする。データ処理、ハードウェア、モデルデプロイメントにおける技術的および臨床的課題を評価するとともに、AI駆動型精度のがん医療の将来の見通しを提示する。

ABSTRACT

Computational pathology is part of precision oncology medicine. The integration of high-throughput data including genomics, transcriptomics, proteomics, metabolomics, pathomics, and radiomics into clinical practice improves cancer treatment plans, treatment cycles, and cure rates, and helps doctors open up innovative approaches to patient prognosis. In the past decade, rapid advances in artificial intelligence, chip design and manufacturing, and mobile computing have facilitated research in computational pathology and have the potential to provide better-integrated solutions for whole-slide images, multi-omics data, and clinical informatics. However, tumor computational pathology now brings some challenges to the application of tumour screening, diagnosis and prognosis in terms of data integration, hardware processing, network sharing bandwidth and machine learning technology. This review investigates image preprocessing methods in computational pathology from a pathological and technical perspective, machine learning-based methods, and applications of computational pathology in breast, colon, prostate, lung, and various tumour disease scenarios. Finally, the challenges and prospects of machine learning in computational pathology applications are discussed.

研究の動機と目的

• 腫瘍診断および予後予測に応用されている現在の機械学習技術を統合する。
• 全スライド画像、マルチオミクスデータ、臨床情報学の統合における主な技術的および臨床的課題を特定する。
• AIががん治療計画、生存予測、診断正確性の向上に果たす役割を評価する。
• データ共有の制限、モデルの一般化可能性、臨床現場におけるハードウェア制約の課題を議論する。
• スケーラブルで解釈可能かつ臨床現場に導入可能なAIシステムの今後の研究方向性を提示する。

提案手法

• 全スライド画像処理およびディープラーニングアーキテクチャに焦点を当てた、計算病理学における機械学習手法の体系的レビュー。
• パッチベースおよびタイルベースの畳み込みニューラルネットワークを含む、全スライド画像（WSI）処理パイプラインの分析。
• ゲノミクス、レディオミクス、パトホミクス、臨床データを統合するマルチモodalデータ統合手法の検討。
• ヒストパスロジーにおける解釈可能性と説明可能性手法（例：Grad-CAM、注目メカニズム）の評価。
• 共同学習を可能にし、患者の機微なデータを共有せずに済ませる、フェデレーテッドラーニングおよびプライバシー保護型AIの議論。
• 臨床グレードの病理学ワークステーションにモデルをデプロイする際のハードウェアおよびソフトウェア制約の評価。

実験結果

リサーチクエスチョン

• RQ1 腫瘍の検出および分類のための全スライド画像解析に用いられる主要な機械学習アーキテクチャは何か？
• RQ2 現在のアプローチでは、遺伝子情報やプロテオミクスなどのマルチオミクスデータをヒストパスロジー画像とどのように統合し、予後予測の精度を向上させているか？
• RQ3 機械学習モデルを日常の病理学ワークフローに導入する際の主な技術的および臨床的障壁は何か？
• RQ4 実臨床現場でのデプロイメントに向けたモデルの解釈可能性および一般化可能性をどのように向上できるか？
• RQ5 フェデレーテッドラーニングやニューロモーフィックコンピューティングなどの今後のトレンドや技術は、計算病理学における現在の制限を克服できるか？

主な発見

• 特に畳み込みニューラルネットワーク（CNN）ベースの深層学習モデルは、ベンチマークデータセット上でAUC > 0.95を達成するなど、全スライド画像からの腫瘍タイプ分類において高い正確性を示している。
• ヒストパスロジー画像とマルチオミクスデータを統合することで、単一モodalアプローチに比べ、生存予測の正確性が向上している。
• データの多様性、限られたアノテーション品質、標準化の欠如が、病院間でのモデル一般化の主な障壁のまま残っている。
• ハードウェア制限および高い計算コストが、日常の臨床現場における複雑なモデルのデプロイメントを妨げている。
• フェデレーテッドラーニングおよびプライバシー保護型AIは、機微な患者データを共有せずに共同学習を可能にするという点で、有望な兆しを示している。
• Grad-CAMなどの解釈可能性技術は、病理医がモデルの予測を理解するのを助け、信頼性の向上と臨床現場での採用可能性の向上に寄与している。