[論文レビュー] CNN-based Approach for Cervical Cancer Classification in Whole-Slide Histopathology Images

Ferdaous Idlahcen, Mohammed Majid Himmi+1 more|arXiv (Cornell University)|May 28, 2020

AI in cancer detection被引用数 6

ひとこと要約

本研究では、H&E染色された全スライド画像（WSI）から子宮頸がん亜型—扁平上皮癌（SCC）および腺がん（AC）—を分類するため、微調整されたVGG16畳み込みニューラルネットワークを用いた転移学習アプローチを提案する。限られたラベル付きデータにもかかわらず、98.26%の正確性と97.9%のF1スコアを達成し、弱教師あり計算病理学分野における優れた性能を示した。

ABSTRACT

Cervical cancer will cause 460 000 deaths per year by 2040, approximately 90% are Sub-Saharan African women. A constantly increasing incidence in Africa making cervical cancer a priority by the World Health Organization (WHO) in terms of screening, diagnosis, and treatment. Conventionally, cancer diagnosis relies primarily on histopathological assessment, a deeply error-prone procedure requiring intelligent computer-aided systems as low-cost patient safety mechanisms but lack of labeled data in digital pathology limits their applicability. In this study, few cervical tissue digital slides from TCGA data portal were pre-processed to overcome whole-slide images obstacles and included in our proposed VGG16-CNN classification approach. Our results achieved an accuracy of 98,26% and an F1-score of 97,9%, which confirm the potential of transfer learning on this weakly-supervised task.

研究の動機と目的

• 子宮頸がん診断におけるラベル付き全スライド画像（WSI）の不足に起因する課題に対処すること。
• 事前学習済みVGG16モデルを用いた転移学習の有効性を、H&E染色WSIにおけるSCCおよびACの分類に評価すること。
• 高解像度、アーティファクト、染色ばらつきといったWSI固有の課題を、体系的な前処理により克服すること。
• 特にサハラ砂漠以南アフリカにおけるリソース制限のある環境での子宮頸がんスクリーニングに適した、強固で低コストのコンピュータ支援診断（CADx）システムを開発すること。
• 今後の子宮頸がんにおける深層学習と組織形態・ゲノム相関の統合の基盤を築くこと。

提案手法

• The Cancer Genome Atlas（TCGA）データベースから、Genomic Data Commons（GDC）ポータルを介して、子宮頸がんの全スライド画像（WSI）10例（SCC 5例、AC 5例）を取得した。
• 全スライド画像をバイキューブ補間を用いて20倍拡大し、重複のない1024×1024ピクセルのタイルに分割することで前処理を行った。
• Macenkoらの手法を用いて染色正規化を実施し、スライド間の色のばらつきを低減し、一貫性を向上させた。
• HistoQCと手動による点検を用いて品質管理を行い、空気泡、折りたたみ、染色の問題などのアーティファクトを含む低品質タイルを除外した。
• 少なくとも90%の組織含有量と、1つの特徴的な組織像を持つ、300枚のSCCおよび300枚のACタイルを選別し、学習用に使用した。
• 転移学習を用い、二値交差エントロピー損失関数とSGD最適化手法を用いて、最初の4つの畳み込みブロックを凍結し、最終的な畳み込み層および全結合層を微調整することで、事前学習済みVGG16モデルを微調整した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みVGG16 CNNは、最小限のラベル付きデータで、全スライド画像から子宮頸がん亜型（SCC 対 AC）を効果的に分類できるか？
• RQ2 染色正規化とタイルベース処理は、H&E染色WSIにおける分類性能にどのように影響を与えるか？
• RQ3 転移学習は、子宮頸がんの全スライド画像分類において、データ不足の問題をどの程度軽減できるか？
• RQ4 弱教師ありアプローチは、全スライド画像のみを用いて、SCCとACを臨床的に意味のある正確性で区別できるか？
• RQ5 アーティファクト除去と組織含有量フィルタリングは、モデルの一般化性能および性能にどのような影響を与えるか？

主な発見

• 提案されたVGG16ベースの転移学習モデルは、子宮頸がん組織像におけるSCC対ACの二値分類で、98.26%のテスト正確性を達成した。
• F1スコアは97.9%に達し、両方のがん亜型を分類する際の精度と再現率のバランスが良好であることが示された。
• 精度は96.8%、再現率は99.0%であり、腺がんおよび扁平上皮癌の検出に高い感受性と特異性を示した。
• 限られた学習データにもかかわらず、モデルの性能は安定しており、リソースが限られたデジタル病理学環境における転移学習の有効性が顕著に示された。
• 染色正規化とタイルベース処理の適用により、多様なWSI間で特徴の一貫性が向上し、モデルの一般化性能が著しく向上した。
• 結果から、弱教師あり条件下でも、最小限のアノテーションで、専門病理医と同等の高い診断正確性を達成できることが示唆された。