[論文レビュー] Classification of Histopathology Images of Lung Cancer Using Convolutional Neural Network (CNN)

Neha Baranwal, Preethi Doravari+1 more|arXiv (Cornell University)|Dec 27, 2021

AI in cancer detection被引用数 8

ひとこと要約

本研究では、ResNet50、VGG-19、Inception-ResNet-V2、DenseNetを用いた深層学習手法を提案し、肺がん組織画像を正常、扁平上皮癌、腺癌の3クラスに分類する。特徴の識別性を向上させるために三重損失（triplet loss）を採用し、H&E染色スライドからのがん亜型の区別に高い正確性を達成した。これにより、病理医の負担を軽減し、より迅速かつ正確な診断が可能となる。

ABSTRACT

Cancer is the uncontrollable cell division of abnormal cells inside the human body, which can spread to other body organs. It is one of the non-communicable diseases (NCDs) and NCDs accounts for 71% of total deaths worldwide whereas lung cancer is the second most diagnosed cancer after female breast cancer. Cancer survival rate of lung cancer is only 19%. There are various methods for the diagnosis of lung cancer, such as X-ray, CT scan, PET-CT scan, bronchoscopy and biopsy. However, to know the subtype of lung cancer based on the tissue type H and E staining is widely used, where the staining is done on the tissue aspirated from a biopsy. Studies have reported that the type of histology is associated with prognosis and treatment in lung cancer. Therefore, early and accurate detection of lung cancer histology is an urgent need and as its treatment is dependent on the type of histology, molecular profile and stage of the disease, it is most essential to analyse the histopathology images of lung cancer. Hence, to speed up the vital process of diagnosis of lung cancer and reduce the burden on pathologists, Deep learning techniques are used. These techniques have shown improved efficacy in the analysis of histopathology slides of cancer. Several studies reported the importance of convolution neural networks (CNN) in the classification of histopathological pictures of various cancer types such as brain, skin, breast, lung, colorectal cancer. In this study tri-category classification of lung cancer images (normal, adenocarcinoma and squamous cell carcinoma) are carried out by using ResNet 50, VGG-19, Inception_ResNet_V2 and DenseNet for the feature extraction and triplet loss to guide the CNN such that it increases inter-cluster distance and reduces intra-cluster distance.

研究の動機と目的

• 早期かつ正確な肺がん亜型分類の急務なニーズに対応し、予後改善と治療計画の最適化を図ること。
• H&E染色組織スライドの分析を自動化することで、病理医の診断負担を軽減すること。
• 事前学習済みのCNNアーキテクチャ（ResNet50、VGG-19、Inception-ResNet-V2、DenseNet）が肺がん組織画像分類にどの程度有効であるかを評価すること。
• 三重損失を用いて特徴埋め込み空間を最適化し、クラス間距離を拡大し、クラス内距離を縮小することで、特徴の識別性を向上させること。

提案手法

• H&E染色肺組織画像からの特徴抽出に、4つの事前学習済みCNNモデル（ResNet50、VGG-19、Inception-ResNet-V2、DenseNet）を用いた転移学習を実施する。
• トレーニング中に三重損失を適用し、同じクラスに属する特徴は近づけ、異なるクラスに属する特徴は遠ざかるように特徴埋め込みを最適化する。
• 正常、扁平上皮癌、腺癌にラベル付けされた組織画像データセットを用いてモデルを学習する。
• モデルの汎化性能を向上させるために、トレーニング中にハードなネガティブおよびポジティブペアを選択する三重ペアマイニング戦略を採用する。
• グローバル平均プーリングと最終分類層を用いて、3つの肺がん亜型を予測する。
• ホールドアウトされたテストセットを用いて、正確性、適合率、再現率、F1スコアといった標準指標でモデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みCNNモデルは、H&E染色組織画像から肺がん亜型を効果的に分類できるか？
• RQ2 三重損失の適用により、CNN特徴の識別能力が肺がん組織画像分類においてどのように向上するか？
• RQ3 ResNet50、VGG-19、Inception-ResNet-V2、DenseNetの中では、どのモデルが肺組織における正常、扁平上皮癌、腺癌を最も効果的に区別できるか？
• RQ4 三重損失は、学習された特徴空間におけるクラス内分散をどの程度低減し、クラス間分離をどの程度向上させるか？
• RQ5 提案手法は、診断時間の短縮を実現し、病理医が早期かつ正確に肺がん亜型を分類するのを支援できるか？

主な発見

• 提案手法は、4つのCNNアーキテクチャすべてで高い分類正確性を達成し、特にResNet50が最良の性能を示した。
• 三重損失の適用により特徴の識別性が顕著に向上し、埋め込み空間における3つの肺がん亜型の分離が明確になった。
• 三重損失を用いて学習したモデルは、ベースラインモデルに比べてF1スコアが高く、クラス内分散が低かった。
• 評価対象のモデルの中で、ResNet50が正常、扁平上皮癌、腺癌組織の区別において最も高い正確性を達成した。
• 三重損失の統合により、がん亜型間の微細な組織像の違いに対してもモデルの頑健性が向上した。
• 結果から、三重損失を用いた深層学習は、肺がんにおける自動的で正確かつ効率的な組織画像分類の有望な手法であると示唆された。