[論文レビュー] Computational Pathology: A Survey Review and The Way Forward

Mahdi S. Hosseini, Babak Ehteshami Bejnordi+19 more|arXiv (Cornell University)|Apr 11, 2023

AI in cancer detection被引用数 6

ひとこと要約

本論文は、700篇以上の論文を分析して、データ、モデル、応用の次元から計算病理学（CPath）分野の全体像を把握する包括的なサーベイを提示している。モデルカードフレームワークを導入して主要な研究を登録し、自己教師あり学習やビジョン・ランゲージモデルといったトレンドを特定するとともに、デジタル病理学における臨床統合と技術的イノベーションのための課題と今後の方向性を提示している。

ABSTRACT

Computational Pathology CPath is an interdisciplinary science that augments developments of computational approaches to analyze and model medical histopathology images. The main objective for CPath is to develop infrastructure and workflows of digital diagnostics as an assistive CAD system for clinical pathology, facilitating transformational changes in the diagnosis and treatment of cancer that are mainly address by CPath tools. With evergrowing developments in deep learning and computer vision algorithms, and the ease of the data flow from digital pathology, currently CPath is witnessing a paradigm shift. Despite the sheer volume of engineering and scientific works being introduced for cancer image analysis, there is still a considerable gap of adopting and integrating these algorithms in clinical practice. This raises a significant question regarding the direction and trends that are undertaken in CPath. In this article we provide a comprehensive review of more than 800 papers to address the challenges faced in problem design all-the-way to the application and implementation viewpoints. We have catalogued each paper into a model-card by examining the key works and challenges faced to layout the current landscape in CPath. We hope this helps the community to locate relevant works and facilitate understanding of the field's future directions. In a nutshell, we oversee the CPath developments in cycle of stages which are required to be cohesively linked together to address the challenges associated with such multidisciplinary science. We overview this cycle from different perspectives of data-centric, model-centric, and application-centric problems. We finally sketch remaining challenges and provide directions for future technical developments and clinical integration of CPath (https://github.com/AtlasAnalyticsLab/CPath_Survey).

研究の動機と目的

• データ、モデル、応用の次元にわたり、700篇以上の計算病理学論文を体系的にレビューし、分類すること。
• 臨床応用における採用の障壁、データ品質、モデルの汎化性能、規制適合性に関する主な課題を特定すること。
• タスク、アーキテクチャ、データセットに基づいて、関連するCPath研究を整理・検索可能なモデルカードフレームワークを提案すること。
• 自己教師あり学習、ビジョン・ランゲージモデル、合成データ生成といった新興トレンドをマップすること。
• 臨床適合性の向上、マルチセンター協働、CPath特有のアーキテクチャ設計のための今後の研究方向性を提示すること。

提案手法

• タスク、データセット、モデルアーキテクチャ、臨床応用の観点から分類された、700篇以上のCPath論文の体系的文献レビューを実施した。
• 標準化されたモデルカードテンプレートを開発し、タスクタイプ、データモality、モデルアーキテクチャ、評価指標、臨床的関連性といった主要な属性を文書化した。
• CPathにおけるディープラーニングアーキテクチャの進化をマッピングした。これにはCNN、Transformer、MIL、ビジョン・ランゲージモデルが含まれる。
• データ中心のアプローチのトレンドを分析した。これには染色ノーマライゼーション、GANを用いた合成データ生成、自己教師ありコントラスト学習が含まれる。
• 臨床的妥当性の実践と規制ルートを評価した。特に、デジタル病理学ツールのFDA承認プロセスに注目した。
• データセットの多様性の欠如、アノテーション品質の低さ、多施設連携の不足といったギャップを特定し、フェデレーテッドラーニングとマルチドメインラーニングを解決策として提案した。

実験結果

リサーチクエスチョン

• RQ1 計算病理学研究で主流となっているモデルアーキテクチャと学習パラダイムは何か？
• RQ2 データ収集、アノテーション、前処理の実践が、モデルの汎化性能と臨床的有用性にどのように影響を与えるか？
• RQ3 CPathツールの臨床的採用における主な障壁は何か。それらはどのように克服できるか？
• RQ4 自己教師あり学習やビジョン・ランゲージモデルといった新技術が、解釈可能性とパフォーマンスをどのように向上させるか？
• RQ5 CPathを日常臨床ワークフローに統合するにあたり、技術的および制度的側面で直面する最も深刻な課題は何か？

主な発見

• コントラスト学習を用いた自己教師あり学習は、低データ環境下での少サンプル汎化性能を向上させる主流の手法として登場した。
• ビジョン・ランゲージモデルは、視覚的特徴と臨床レポートを一致させることで、説明可能な予測を生成するためにますます広く使われるようになっている。
• GANを用いた合成データ生成は、CPathにおける訓練とデータ拡張を支援するのに十分な現実性に達している。
• マルチインスタンス学習（MIL）およびアテンションを組み込んだMILモデルは、ウェルスライドイメージ分類および生存予測において優れたパフォーマンスを示している。
• 技術的進歩にもかかわらず、CPathツールのわずか一部しか臨床的妥当性評価を経ておらず、FDA承認を受けていないことから、研究と実践の間には依然として深刻なギャップが存在している。
• フェデレーテッドラーニングおよびマルチセンター学習フレームワークは、施設間でプライバシーを守りつつも堅牢なCPathシステムを構築する上で不可欠な技術として登場している。