[論文レビュー] An attention-based multi-resolution model for prostate whole slide imageclassification and localization

Jiayun Li, Wenyuan Li+4 more|arXiv (Cornell University)|May 30, 2019

AI in cancer detection参考文献 39被引用数 35

ひとこと要約

本論文は前立腺全スライド画像の分類と弱教師付きROI局在化のための2段階注意機構を用いるMILモデルを提案し、スライドラベルのみを用いたスライドレベルのグレーディングにおいて最先端の精度を達成している。

ABSTRACT

Histology review is often used as the `gold standard' for disease diagnosis. Computer aided diagnosis tools can potentially help improve current pathology workflows by reducing examination time and interobserver variability. Previous work in cancer grading has focused mainly on classifying pre-defined regions of interest (ROIs), or relied on large amounts of fine-grained labels. In this paper, we propose a two-stage attention-based multiple instance learning model for slide-level cancer grading and weakly-supervised ROI detection and demonstrate its use in prostate cancer. Compared with existing Gleason classification models, our model goes a step further by utilizing visualized saliency maps to select informative tiles for fine-grained grade classification. The model was primarily developed on a large-scale whole slide dataset consisting of 3,521 prostate biopsy slides with only slide-level labels from 718 patients. The model achieved state-of-the-art performance for prostate cancer grading with an accuracy of 85.11\% for classifying benign, low-grade (Gleason grade 3+3 or 3+4), and high-grade (Gleason grade 4+3 or higher) slides on an independent test set.

研究の動機と目的

• スライドレベルのラベルのみでWSIの前立腺がんのグレーディングという課題に取り組む（弱教師あり）.
• グレーディングと局在化のために、有益なタイルを特定する注意機構を備えたMILフレームワークを開発する。
• 病理医の作業フローを模倣する2段階のマルチスケールアプローチを実装する（低倍率でのスクリーニング、次に高倍率でのグレーディング）。
• 大規模データセットで最先端の精度を示し、ROI局在化のための解釈可能な注意マップを提供する。）

提案手法

• タイルからインスタンスレベルの特徴を抽出するためにCNNバックボーンを用いる。
• インスタンスの重みを計算し、スライド分類のためのバッグレベル埋め込みを生成する注意モジュールを組み込む。
• 訓練時にインスタンスドロップアウトを適用して情報量の多い領域の探索を促す。
• インスタンス特徴をクラスタリングする（低次元特徴のPCA）こと、クラスタごとに注意を集約してROI選択を誘導する。
• 2段階のWSIパイプラインを運用する：第1段階は5xで cancer vs non-cancer を分類、第2段階は10xで選択されたタイルを benign、low-grade、high-grade にグレードする。
• タイルレベルデータセットから転移学習を行い、両段階の特徴抽出器を初期化する。

実験結果

リサーチクエスチョン

• RQ1 注意機構を備えた弱教師付きMILは、WSIで情報量の多い領域を局在化しつつ、スライドレベルで正確なグレーディングを達成できるか？
• RQ2 2段階のマルチ解像度アプローチは、単一段階の方法と比較してグリーソン分類を改善するか？
• RQ3 クラスタリングベースのROI選択は、情報量の多い領域の検出と全体の精度にどのように影響するか？

主な発見

モデル	精度（％）	データセット	分類タスク
Zhou et al. [44]	75.00	368 slides	G3+G4 and G4+G3 slides
Xu et al. [42]	79.00	312 slides	GS 6, GS 7, and GS 8 slides
Nagpal et al. [30]	70.00	112 million patches and 1490 slides	4 Gleason groups
Ours	85.11	3521 slides	benign, low-grade, high-grade slides

• 独立した検証セットの860スライド（227名の患者）で、スライドレベルのグレーディング（benign、low-grade、high-grade）で85.11%の精度を達成。
• クラスタリングベースの注意を用いた2段階モデルは、1段階モデルおよびベースラインの注意モデルを上回り、1段階のベースラインと比較して相対7%以上の精度向上を達成。
• インスタンスドロップアウトを用いた注意マップは、ドロップアウトなしのモデルよりもより包括的なROI局在化を実現。
• 青比率ベースのROI選択(br-two-stage)と比べ、注意ベースのROIアプローチはより高い精度を示した（att-cluster-two-stage 85.11% vs br-two-stage 80.11%）。
• Cedars-Sinaiのタイルデータセットからの転移学習は一定の効果をもたらしたが、非転移モデルは84.30%にとどまった。