[論文レビュー] Classification of Epithelial Ovarian Carcinoma Whole-Slide Pathology Images Using Deep Transfer Learning

Yiping Wang, David Farnell+7 more|arXiv (Cornell University)|May 22, 2020

AI in cancer detection参考文献 9被引用数 8

ひとこと要約

本研究では、プログレッシブリサイズイングとVGG19ベースの畳み込みニューラルネットワークを用いた2段階のディープ転移学習フレームワークを提案し、全スライド画像（WSI）を5つの組織学的亜タイプに分類する。この手法は、スライドレベルの正確性87.54%およびCohenのKappa係数0.8106を達成し、標準的なCNNや未訓練の病理医を上回り、デジタル病理診断における再現性の向上を示している。

ABSTRACT

Ovarian cancer is the most lethal cancer of the female reproductive organs. There are $5$ major histological subtypes of epithelial ovarian cancer, each with distinct morphological, genetic, and clinical features. Currently, these histotypes are determined by a pathologist's microscopic examination of tumor whole-slide images (WSI). This process has been hampered by poor inter-observer agreement (Cohen's kappa $0.54$-$0.67$). We utilized a extit{two}-stage deep transfer learning algorithm based on convolutional neural networks (CNN) and progressive resizing for automatic classification of epithelial ovarian carcinoma WSIs. The proposed algorithm achieved a mean accuracy of $87.54\%$ and Cohen's kappa of $0.8106$ in the slide-level classification of $305$ WSIs; performing better than a standard CNN and pathologists without gynecology-specific training.

研究の動機と目的

• gynecology特化訓練を受けない病理医による上皮性卵巣がんの組織学的分類における著しい観察者間一致度（kappa 0.54–0.67）の低さを是正すること。
• 全スライド画像（WSI）を用いて、上皮性卵巣がんの5大組織学的亜タイプを分類する診断正確性と再現性を向上させること。
• WSI分類において、低解像度パッチからの文脈的情報と高解像度パッチからの微細な特徴を効果的にバランスさせるディープラーニングフレームワークの開発。
• 305枚のスライドからなるWSIデータセットにおいて、プログレッシブリサイズイングを用いた転移学習の性能を、標準的なCNNおよびランダム重み初期化と比較して評価すること。
• 正規化されたパッチレベル特徴ベクトルを用いたランダムフォレストを用いたパッチレベル集約とスライドレベル分類の有効性を実証すること。

提案手法

• 2段階の転移学習アプローチを採用：段階1では、256×256の低解像度パッチ上でVGG19ネットワークを訓練し、高レベルの文脈的パターンを捉える。
• 段階2では、最初の畳み込みブロックを置き換え、2つの新しいランダム初期化された畳み込みブロックを追加し、512×512の高解像度パッチ上で再訓練することで、微細な特徴を抽出する。
• プログレッシブリサイズイングを用いて、段階的に入力解像度を向上させ、モデルがグローバルな文脈とローカルなテクスチャ特徴を両方学習できるようにする。
• パッチレベルの予測を1スライドあたり5次元の特徴ベクトルに集約し、各組織学的タイプに分類されたパッチ数を表す。その後、Zスコア正規化を実施。
• パッチレベルのトレーニング分割に一致する3分割交差検証スキームを用いて、これらの正規化された特徴ベクトル上でランダムフォレスト分類器を訓練。
• すべての5つの組織学的タイプにおいて、平均クラス別正確性、CohenのKappa係数、AUC、F1スコアを用いて性能を評価。

実験結果

リサーチクエスチョン

• RQ1 プログレッシブリサイズイングを用いた2段階のディープ転移学習アプローチは、標準的なCNNと比較して、全スライド画像（WSI）における上皮性卵巣がん組織学的タイプ分類の正確性を向上させることができるか？
• RQ2 低解像度パッチを用いて文脈的特徴を学び、高解像度パッチを用いて微細な特徴を抽出することで、デジタル病理診断における分類性能が向上するか？
• RQ3 ImageNetで事前学習されたモデルからの転移学習は、ランダム重み初期化と比較して、スライドレベル分類正確性をどの程度向上させるか？
• RQ4 本手法は、未訓練の病理医と比較して、観察者間一致度と診断正確性の両面で優れているか？
• RQ5 パッチレベル分類のパターンの寄与度は、スライドレベル分類性能の向上にどの程度寄与しているか？

主な発見

• 提案された2段階の転移学習モデルは、スライドレベルの正確性87.54%およびCohenのKappa係数0.8106を達成し、ベースラインモデルを顕著に上回った。
• モデルは平均クラス別正確性87.54%およびF1スコア0.8718を達成し、HGSOC（90.45%）およびLGSOC（100.0%）で最高の性能を示した。
• 本手法のスライドレベル性能は、標準的なCNN（ベースライン1：73.77%正確性、kappa 0.5993）およびランダム初期化ネットワーク（ベースライン2：69.08%正確性、kappa 0.5224）を上回った。
• モデルはAUCが0.9641と強く、すべての5つの組織学的タイプにおいて優れた識別能力を示した。
• スライドレベル分類性能の向上は、主にパッチレベルの予測の向上に起因しており、特にCCOCおよびENOCでは段階2で顕著な向上が見られた。
• 本研究は、プログレッシブリサイズイングと転移学習が、文脈的特徴と微細な特徴を効果的にバランスさせ、デジタル病理診断における優れた分類性能をもたらすことを確認した。