[論文レビュー] A Unified Framework for Tumor Proliferation Score Prediction in Breast Histopathology

Kyunghyun Paeng, Sangheum Hwang+2 more|arXiv (Cornell University)|Dec 21, 2016

AI in cancer detection参考文献 14被引用数 7

ひとこと要約

本論文は、乳房がん組織画像の全スライド画像（WSIs）における腫瘍増殖スコアを予測する統合的で完全に自動化されたフレームワークを提示する。このフレームワークは、組織領域抽出、染色正規化、深層学習ベースの有糸分裂椦出（ResNetベースのDCNNを用いて）、SVM回帰を統合している。本システムは、有糸分裂数に基づくスコアで0.567の二次加重Cohenのκ、分子データに基づくスコアで0.617のスピアマン相関を達成し、2016年Tumor Proliferation Assessment Challengeで1位を獲得した。

ABSTRACT

We present a unified framework to predict tumor proliferation scores from breast histopathology whole slide images. Our system offers a fully automated solution to predicting both a molecular data-based, and a mitosis counting-based tumor proliferation score. The framework integrates three modules, each fine-tuned to maximize the overall performance: An image processing component for handling whole slide images, a deep learning based mitosis detection network, and a proliferation scores prediction module. We have achieved 0.567 quadratic weighted Cohen's kappa in mitosis counting-based score prediction and 0.652 F1-score in mitosis detection. On Spearman's correlation coefficient, which evaluates predictive accuracy on the molecular data based score, the system obtained 0.6171. Our approach won first place in all of the three tasks in Tumor Proliferation Assessment Challenge 2016 which is MICCAI grand challenge.

研究の動機と目的

• 全スライド画像（WSIs）からの乳房がんにおける腫瘍増殖スコアを予測する完全自動化システムの開発。
• 病理医による有糸分裂数の手作業カウントにおける主観性と再現性の問題の解決。
• 有糸分裂検出と増殖スコア予測を1つのエンドツーエンドフレームワークで統合すること。
• 有糸分裂数に基づくスコアと分子データに基づくスコアの両方の予測タスクで高い性能を達成すること。
• 実世界のコンテスト環境（MICCAI 2016 Tumor Proliferation Assessment Challenge）で本システムを検証すること。

提案手法

• システムは、Otsu法と二値膨張を用いて組織ブロブを特定することで、WSIから組織領域とパッチ抽出を実行する。
• CellProfilerを用いた細胞密度推定に基づき、1スライドあたり30個の細胞密度が最も高いROIを選択する。
• [9]の手法を用い、α=1.0およびβ=0.15で染色正規化をROIパッチに適用し、スライド間のばらつきを低減する。
• 深層学習ベースの有糸分裂検出ネットワークには2段階の訓練手順を採用：初期データで最初に訓練し、その後10万件の増強された誤検出例を用いて再訓練することで誤検出を低減する。
• 有糸分裂検出ネットワークは、6または9個の残差ブロックを備えたResNetに基づき、WSIレベルの推論に適した完全畳み込みネットワークに変換されている。
• 有糸分裂数と空間統計から得られる特徴量ベクトルをSVMに供給し、最終的な増殖スコア予測を実行する。ハイパーパramータチューニングには10分割交差検証を用いる。

実験結果

リサーチクエスチョン

• RQ1 統合的深層学習フレームワークは、全スライド画像からの有糸分裂検出と増殖スコア予測の両方で高い性能を達成できるか？
• RQ2 自動ROI選択と染色正規化を統合することで、有糸分裂検出とスコア予測の精度はどの程度向上するか？
• RQ3 乳房がんのWSIにおいて、有糸分裂数はどの程度分子ベースの増殖スコアと相関しているか？
• RQ4 標準化されたコンテスト環境において、完全自動化システムは、部分的に自動化または人間が支援するアプローチを上回れるか？
• RQ5 どの画像特徴が腫瘍増殖スコアの予測において最も予測能的であり、それらは既知の生物学的マーカーと整合するか？

主な発見

• テストセットにおける有糸分裂検出のF1スコアは0.652に達し、コンテスト参加チームの中で最高を記録した。
• 有糸分裂数に基づく増殖スコア予測は、テストセットで二次加重Cohenのκが0.567に達し、他のすべての手法を上回った。
• 分子データに基づく増殖スコア予測は、テストセットでスピアマンの順位相関係数が0.617に達し、他のアプローチを著しく上回った。
• 特徴選択の結果、分子ベースのスコアに対して有糸分裂数（特徴8および14）が細胞数（特徴15）よりも予測能的であることが判明し、有糸分裂活動の生物学的妥当性が裏付けられた。
• 2段階訓練手順により、単一段階訓練と比較して誤検出が0.1のF1スコアで低減され、検出のロバスト性が向上した。
• 本システムは、MICCAI 2016 Tumor Proliferation Assessment Challengeの3つのタスクすべてで1位を獲得し、エンドツーエンド性能の有効性が検証された。