[論文レビュー] Computer-aided Detection of Squamous Carcinoma of the Cervix in Whole Slide Images

Ye Tian, Yang Li+8 more|arXiv (Cornell University)|May 27, 2019

AI in cancer detection参考文献 37被引用数 11

ひとこと要約

本研究では、Inception-v3、InceptionResNet-v2、ResNet50アーキテクチャを用い、全スライド画像（WSIs）における頸部扁平上皮癌（SCC）の画像支援診断のためのディープラーニングフレームワークを提案する。その後、ランダムフォレストを用いた分類が行われる。この手法は高いスライドレベル分類性能（AUC > 0.94）を達成するが、形態的複雑性のため、正確な腫瘍部位の特定に課題を抱えており、FROCスコアは0.52未満にとどまる。

ABSTRACT

Goal: Squamous cell carcinoma of cervix is one of the most prevalent cancer worldwide in females. Traditionally, the most indispensable diagnosis of cervix squamous carcinoma is histopathological assessment which is achieved under microscope by pathologist. However, human evaluation of pathology slide is highly depending on the experience of pathologist, thus big inter- and intra-observer variability exists. Digital pathology, in combination with deep learning provides an opportunity to improve the objectivity and efficiency of histopathologic slide analysis. Methods: In this study, we obtained 800 haematoxylin and eosin stained slides from 300 patients suffered from cervix squamous carcinoma. Based on information from morphological heterogeneity in the tumor and its adjacent area, we established deep learning models using popular convolution neural network architectures (inception-v3, InceptionResnet-v2 and Resnet50). Then random forest was introduced to feature extractions and slide-based classification. Results: The overall performance of our proposed models on slide-based tumor discrimination were outstanding with an AUC scores > 0.94. While, location identifications of lesions in whole slide images were mediocre (FROC scores > 0.52) duo to the extreme complexity of tumor tissues. Conclusion: For the first time, our analysis workflow highlighted a quantitative visual-based slide analysis of cervix squamous carcinoma. Significance: This study demonstrates a pathway to assist pathologist and accelerate the diagnosis of patients by utilizing new computational approaches.

研究の動機と目的

• 主観的な組織病理学的評価に起因する頸部扁平上皮癌診断における観察者間・観察者内ばらつきを低減すること。
• 全スライド画像（WSIs）の頸部組織を分析するための客観的で再現可能かつ効率的な計算手法を開発すること。
• 畳み込みニューラルネットワーク（CNN）の性能を、WSIにおけるSCCの分類および局在化に評価すること。
• トランスファーラーニングとアンサンブルモデルを用いることで、デジタル病理会診断の正確性を向上させる可能性を検討すること。
• ディープラーニングを用いた、定量的で可視化に基づく頸部SCC検出のための分析パイプラインを確立すること。

提案手法

• 本研究では、300例の頸部SCC患者から得られた800例のH&E染色全スライド画像（WSIs）を用い、腫瘍領域が手動でアノテートされた。
• Inception-v3、InceptionResNet-v2、ResNet50といった最新のCNNアーキテクチャを、WSIsから抽出したパッチレベル特徴量に対して微調整した。
• CNNからのプールド特徴量を用いてスライドレベル分類を実施するため、ランダムフォレストを用い、複数モデル間でのアンサンブル学習を実現した。
• パッチベースの推論戦略を採用し、各WSIを256×256ピクセルのパッチに分割してモデル入力と予測を実施した。
• 腫瘍出現確率を可視化するためのヒートマップを生成し、局在化精度の評価にはFROC（フリー・リスポンス受信器特性）指標を用いた。
• 予測の精度を向上させ、異なるスライドバッチ間での一貫性を高めるために、後処理技術を適用した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、頸部扁平上皮癌を含むか否かを、全スライド画像として正確に分類できるか？
• RQ2 これらのモデルは、複雑で不均一な頸部WSI組織内において、腫瘍部位をどの程度正確に局在化できるか？
• RQ3 異なる事前学習済みCNNアーキテクチャ（例：Inception-v3、ResNet50）の性能を比較すると、頸部SCC検出においてどの程度差が現れるか？
• RQ4 個々のモデルに比べて、アンサンブル学習がスライドレベル分類精度をどの程度向上させるか？
• RQ5 頸部SCCのWSIにおける腫瘍局在化の主な課題は何か。他のがん種と比べてどのような相違点があるか？

主な発見

• 提案されたディープラーニングモデルは、AUCスコアが0.94を超える優れたスライドレベル分類性能を達成した。
• 3つの個別モデル（A–C）のアンサンブルモデリングにより、分類AUCが0.97を超えるまで向上した。
• 腫瘍局在化性能は中程度であり、FROCスコアは0.52未満にとどまり、正確な病変同定が難しいことが示された。
• 高い形態的複雑性と、一部のスライドで300以上にわたる散在する腫瘍領域が、局在化の困難さに大きく寄与した。
• 本フレームワークは、異なるスライドバッチ間で一貫した出力を示し、強固さと再現可能性を示した。
• 本研究は、頸部扁平上皮癌の全スライド画像ベース検出にディープラーニングを初めて成功裏に応用した。