[論文レビュー] Bridging the gap between prostate radiology and pathology through machine learning

Indrani Bhattacharya, David Lim+12 more|arXiv (Cornell University)|Dec 3, 2021

Prostate Cancer Diagnosis and Treatment参考文献 51被引用数 17

ひとこと要約

本研究では、全装片組織像から深層学習で生成されたデジタル病理学者ラベルを、MRIにおける前立腺がんの検出および局在化のための訓練ラベルとして用いることを提案する。これらのラベルは、放射線科医や病理学者がラベル付けしたラベルを上回り、多様なモデルアーキテクチャーや患者コhortにおいて、がん成分の正確で一貫性があり、一般化性の高い検出を可能にする。

ABSTRACT

Prostate cancer is the second deadliest cancer for American men. While Magnetic Resonance Imaging (MRI) is increasingly used to guide targeted biopsies for prostate cancer diagnosis, its utility remains limited due to high rates of false positives and false negatives as well as low inter-reader agreements. Machine learning methods to detect and localize cancer on prostate MRI can help standardize radiologist interpretations. However, existing machine learning methods vary not only in model architecture, but also in the ground truth labeling strategies used for model training. In this study, we compare different labeling strategies, namely, pathology-confirmed radiologist labels, pathologist labels on whole-mount histopathology images, and lesion-level and pixel-level digital pathologist labels (previously validated deep learning algorithm on histopathology images to predict pixel-level Gleason patterns) on whole-mount histopathology images. We analyse the effects these labels have on the performance of the trained machine learning models. Our experiments show that (1) radiologist labels and models trained with them can miss cancers, or underestimate cancer extent, (2) digital pathologist labels and models trained with them have high concordance with pathologist labels, and (3) models trained with digital pathologist labels achieve the best performance in prostate cancer detection in two different cohorts with different disease distributions, irrespective of the model architecture used. Digital pathologist labels can reduce challenges associated with human annotations, including labor, time, inter- and intra-reader variability, and can help bridge the gap between prostate radiology and pathology by enabling the training of reliable machine learning models to detect and localize prostate cancer on MRI.

研究の動機と目的

• 不一致で誤りの多い人為的ラベルによる、前立腺レントゲン診断と病理診断の間の継続的なギャップを是正する。
• 放射線科医がラベル付けしたラベルの限界を克服する。特に、高い偽陽性・偽陰性率と読影者間のばらつきを含む。
• 放射線科医、病理学者、およびデジタル病理学者ラベルという異なるラベリング戦略が、前立腺MRI解釈の機械学習モデル性能に与える影響を評価する。
• 深層学習による組織像処理から生成されたデジタル病理学者ラベルが、多様なデータセットおよびアーキテクチャにおいて、優れた一般化性能を示すことを実証する。
• 混合病変において、がんの重症度（進行性と静穏性）を個別に特定可能にする。これは、人為的ラベルでは達成できない能力である。

提案手法

• 4つの異なるラベルタイプ（放射線科医確認済みラベル、病理学者ラベル、デジタル病理学者ラベル）を用いて、前立腺MRIの術前画像を対象に、4つの深層学習モデル（SPCNet、U-Net、ブランチドU-Net、DeepLabv3+）を訓練した。
• 自動化されたMRI-組織像登録プラットフォームを用いて、病理学的ラベル（病理学者およびデジタル病理学者ラベル）をすべて術前MRIにマッピングした。
• 事前に妥当性が確認された深層学習アルゴリズムを用い、全装片組織像スライド上でピクセル単位のGleasonパターンラベルを生成し、これをデジタル病理学者ラベルとして用いた。
• 2つの独立したコhort（40例の根治的前立腺ectomy患者（全装片組織像あり）および275例の標的生検患者）でモデル性能を評価した。
• ROC-AUC、Dice係数、病変体積オーバーラップといった、病変レベルおよびピクセルレベルの指標を用いて性能を測定した。
• ラベルタイプおよびモデルアーキテクチャの違いによるモデルの一般化性と精度の差を比較し、ラベリング戦略の影響を明確にした。

実験結果

リサーチクエスチョン

• RQ1 放射線科医確認済みラベル、病理学者ラベル、デジタル病理学者ラベルという異なるラベリング戦略が、MRIにおける前立腺がん検出の深層学習モデル性能に与える影響は何か？
• RQ2 組織像における自動Gleasonパターン予測に基づいて生成されたデジタル病理学者ラベルは、人為的ラベルの信頼性の高い代替手段となり得るか？
• RQ3 デジタル病理学者ラベルを用いることで、人為的ラベルと比較して、混合病変における進行性がん成分と静穏性がん成分の両方の検出性能が向上するか？
• RQ4 異なる深層学習アーキテクチャ（SPCNet、U-Net、ブランチドU-Net、DeepLabv3+）を用いた場合、ラベルタイプの違いがモデル性能に与える影響は何か？
• RQ5 デジタル病理学者ラベルは、多様な臨床コhortにわたる、読影者間および読影者内ばらつきをどれほど低減させ、一般化性能を向上させるか？

主な発見

• デジタル病理学者ラベルは病理学者ラベルとほぼ完全に一致した（病変ROC-AUC：0.97–1.00、Dice：0.75–0.93）、放射線科医ラベルを著しく上回った。
• デジタル病理学者ラベルで訓練された機械学習モデルは、根治的前立腺切除術コホートで最高の病変検出性能を示した（進行性病変ROC-AUC：0.91–0.94）。
• 標的生検コホートでは、デジタル病理学者ラベルで訓練されたモデルが、病理学者ラベルで訓練されたモデルと同等またはそれを上回る性能を示した（進行性病変ROC-AUC：0.87–0.88）。
• デジタル病理学者ラベルで訓練されたモデルは、混合病変内での進行性と静穏性のがん成分のピクセルレベルでの区別を唯一可能にした。これは、いかなる人為的ラベルタイプでも達成できない能力である。
• デジタル病理学者ラベルの性能優位性は、4つの深層学習アーキテクチャ（SPCNet、U-Net、ブランチドU-Net、DeepLabv3+）すべてに一貫して見られ、モデルアーキテクチャに依存しない利点であることが示された。
• 放射線科医ラベルは、病理学的に確認された病変の最大25％を漏れ、Diceオーバーラップが低く（0.24–0.28）あり、信頼できるモデルの訓練には不適切であることが浮き彫りになった。