[論文レビュー] A Robust and Effective Approach Towards Accurate Metastasis Detection and pN-stage Classification in Breast Cancer

Byungjae Lee, Kyunghyun Paeng|arXiv (Cornell University)|May 30, 2018

AI in cancer detection参考文献 8被引用数 8

ひとこと要約

本論文は、全スライド画像（WSI）を用いた乳がんにおける転移巣の正確な検出およびpNステージ分類のための頑健なディープラーニングフレームワークを提示する。パッチレベルでのCNNベースの転移巣検出とランダムフォレストを用いたスライドレベルのリンパ節分類を組み合わせることで、Camelyon17データセットにおいて、先行手法を上回る最先端の2次加重カッパスコア0.9203を達成した。

ABSTRACT

Predicting TNM stage is the major determinant of breast cancer prognosis and treatment. The essential part of TNM stage classification is whether the cancer has metastasized to the regional lymph nodes (N-stage). Pathologic N-stage (pN-stage) is commonly performed by pathologists detecting metastasis in histological slides. However, this diagnostic procedure is prone to misinterpretation and would normally require extensive time by pathologists because of the sheer volume of data that needs a thorough review. Automated detection of lymph node metastasis and pN-stage prediction has a great potential to reduce their workload and help the pathologist. Recent advances in convolutional neural networks (CNN) have shown significant improvements in histological slide analysis, but accuracy is not optimized because of the difficulty in the handling of gigapixel images. In this paper, we propose a robust method for metastasis detection and pN-stage classification in breast cancer from multiple gigapixel pathology images in an effective way. pN-stage is predicted by combining patch-level CNN based metastasis detector and slide-level lymph node classifier. The proposed framework achieves a state-of-the-art quadratic weighted kappa score of 0.9203 on the Camelyon17 dataset, outperforming the previous winning method of the Camelyon17 challenge.

研究の動機と目的

• 乳がんリンパ節転移のpNステージ評価における病理医の高負荷と主観的要因を軽減すること。
• ギガピクセルスケールの全スライド画像（WSI）における自動化された転移巣検出の正確性と頑健性を向上させること。
• パッチレベル検出とスライドレベル分類を統合した信頼性の高いpNステージ分類システムを構築し、臨床意思決定支援を行うこと。
• 臨床的に重要な早期治療のため、偽陰性予測を低減すること。

提案手法

• 2段階パイプラインを採用：まず、グレーバリューサブセット閾値法を用いてWSIから領域の注目（ROIs）を抽出する。
• 256×256のパッチを128ピクセルのストライドでROIsから抽出し、ResNet101ベースのCNNを用いてパッチレベルで腫瘍転移を検出する。
• データの不均衡を緩和するため、トレーニング中に腫瘍パッチと非腫瘍パッチが等確率で抽出されるバランスの取れたパッチサンプリングを実施する。
• 一般化性能を向上させるために、ランダム回転、反転、染色色補正（色相、彩度、明るさ、コントラスト）を含む広範なデータ拡張を適用する。
• 転移確率ヒートマップからスライドレベル特徴量を抽出し、前景領域総面積、平均信頼度、前景/背景比などを含む。
• 11個のハンドクラフト特徴量を用いたランダムフォレスト分類器がリンパ節クラス（陰性、ITC、マイクロ、マクロ）を予測し、患者レベルのpNステージは集約ルールによって決定される。

実験結果

リサーチクエスチョン

• RQ1 全スライド画像（WSI）を用いた乳がんにおけるpNステージ分類で、ディープラーニングフレームワークが最先端の性能を達成できるか？
• RQ2 パッチレベルでの転移巣検出をどのように効果的にスライドレベル分類と統合することで、pNステージ予測の正確性を向上させられるか？
• RQ3 ヒストパスロジーWSIにおけるクラス不均衡およびドメインシフトを緩和するための、最も効果的なデータ拡張およびサンプリング戦略は何か？
• RQ4 本フレームワークは、特に臨床的に重要なITCおよびマイクロ転移巣に対して、既存手法と比較して偽陰性予測を低減できるか？

主な発見

• 提案手法は、Camelyon17テストセットにおいて患者レベルの2次加重カッパスコア0.9203を達成し、新たな最先端のベンチマークを樹立した。
• Camelyon16テストセットでは、転移巣検出モジュールがAUC 0.9853およびFROC 0.8552を達成し、追加の高度な技術なしで優れた性能を示した。
• 本フレームワークは、特にITCおよびマイクロ転移巣において、前回優勝チーム（HMS-MGH-CCDS）と比較して偽陰性予測を顕著に低減した。
• Camelyon17の混同行列では、マクロ転移巣に対して91.06%の正確性、マイクロ転移巣に対して85.54%の正確性を達成し、ランナーアップ手法よりも低い偽陰性率を示した。
• 3つのCNNモデルをアンサンブル化することで、5フォールド交差検証において患者レベルのカッパスコアが0.9455に向上し、モデルアンサンブルの有効性を確認した。
• 本手法は、Camelyon17のリーダーボードにおいて、前回優勝チーム（HMS-MGH-CCDS）のカッパスコア0.8958を上回り、他のすべてのエントリーを上回った。