[論文レビュー] Automated Diagnosis of Lymphoma with Digital Pathology Images Using Deep Learning

Hanadi El Achi, Т. А. Белоусова+7 more|PubMed|Oct 30, 2018

AI in cancer detection被引用数 48

ひとこと要約

本論文はデジタル病理画像から4カテゴリのリンパ腫を診断するCNNベースのシステムを提示し、画像ごとの高い正確度を達成し、ワークフローの補助としての概念実証を示す。

ABSTRACT

Recent studies have shown promising results in using Deep Learning to detect malignancy in whole slide imaging, however, they were limited to just predicting a positive or negative finding for a specific neoplasm. We attempted to use Deep Learning with a convolutional neural network (CNN) algorithm to build a lymphoma diagnostic model for four diagnostic categories: (1) benign lymph node, (2) diffuse large B-cell lymphoma, (3) Burkitt lymphoma, and (4) small lymphocytic lymphoma. Our software was written in Python language. We obtained digital whole-slide images of Hematoxylin and Eosin stained slides of 128 cases including 32 cases for each diagnostic category. Four sets of 5 representative images, 40x40 pixels in dimension, were taken for each case. A total of 2,560 images were obtained from which 1,856 were used for training, 464 for validation, and 240 for testing. For each test set of 5 images, the predicted diagnosis was combined from the prediction of five images. The test results showed excellent diagnostic accuracy at 95% for image-by-image prediction and at 100% for set-by-set prediction. This preliminary study provided a proof of concept for incorporating automated lymphoma diagnostic screen into future pathology work-flow to augment the pathologists' productivity.

研究の動機と目的

• 全スライド画像に対する自動リンパ腫診断のための深層学習を動機づけ、評価する。
• 4つの診断カテゴリを分類する畳み込みニューラルネットワーク（CNN）アプローチを構築する。
• WSIsから抽出したラベル付き画像パッチのデータセットを評価する。
• 自動スクリーニングを病理ワークフローに統合するための概念実証を提供する。

提案手法

• Pythonで実装したCNNベースのモデルを用いて画像パッチを処理する。
• 4つの診断カテゴリ（良性リンパ節、DLBCL、バーキットリンパ腫、小リン細胞性リンパ腫）を含む128例のデータセットを構築する。
• 代表的な40x40ピクセルの画像を4セット抽出（ケースあたり5枚）計2,560パッチ。
• データを学習 (1,856)、検証 (464)、テスト (240) パッチに分割する。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのアプローチは40x40ピクセルパッチから4つのリンパ性診断カテゴリを識別できるか？
• RQ2 パッチレベルとケース/セットレベルでの診断性能はどうなるか？
• RQ3 病理ワークフローの補助ツールとして自動パッチベースのスクリーニングは実現可能か？

主な発見

• テストセットでの画像ごとの予測精度は95%。
• テストセットでのセットごと（5画像）予測精度は10%。
• データセットは128例で、カテゴリ表現がバランスしている（各カテゴリ32例）。
• 自動リンパ腫診断を病理ワークフローへ統合する概念実証を示す。
• このアプローチは、深層学習が病理医によるリンパ腫のスクリーニングを支援できるという初期的な証拠を提供する。