[論文レビュー] Computer-aided diagnosis of lung carcinoma using deep learning - a pilot study

Zhang Li, Zhe-Yu Hu+11 more|arXiv (Cornell University)|Mar 14, 2018

AI in cancer detection参考文献 37被引用数 26

ひとこと要約

本パイロット研究では、非小細胞および小細胞肺癌の生検標本から得られた全スライド画像（WSI）を用いて、深層学習モデルによる肺がんの補助診断を評価している。専門病理医が診断した組織像を用いて学習されたモデルは、AUCスコアが0.8810から0.9119の間で、人間の観察者と同等の優れた性能を示し、診断の迅速化を実現した。

ABSTRACT

Aim: Early detection and correct diagnosis of lung cancer are the most important steps in improving patient outcome. This study aims to assess which deep learning models perform best in lung cancer diagnosis. Methods: Non-small cell lung carcinoma and small cell lung carcinoma biopsy specimens were consecutively obtained and stained. The specimen slides were diagnosed by two experienced pathologists (over 20 years). Several deep learning models were trained to discriminate cancer and non-cancer biopsies. Result: Deep learning models give reasonable AUC from 0.8810 to 0.9119. Conclusion: The deep learning analysis could help to speed up the detection process for the whole-slide image (WSI) and keep the comparable detection rate with human observer.

研究の動機と目的

• 全スライド画像（WSI）からの肺がん診断における深層学習モデルの性能を評価すること。
• 経験豊富な人間の病理医と比較して、深層学習モデルの診断精度がどうなるかを検討すること。
• 深層学習が診断の信頼性を損なわず、全スライド画像の解析プロセスをどの程度高速化できるかを評価すること。
• 非がん性とがん性の肺生検標本を区別するのに最も効果的な深層学習アーキテクチャは何かを特定すること。

提案手法

• 非小細胞および小細胞肺癌の生検標本を連続的に収集し、組織病理学的分析用に染色した。
• 学習および評価のため、染色済みスライドから全スライド画像（WSI）を生成した。
• 複数の深層学習モデルを、WSIの特徴に基づいて生検標本をがん性または非がん性に分類するように学習させた。
• 2名の経験年数20年以上の病理医が、独立して全生検標本を診断し、基準となる真の診断を確立した。
• モデルの性能は、受信者操作特性曲線の下側面積（AUC）を用いて評価した。
• 本研究では標準的な深層学習アーキテクチャを採用したが、具体的なネットワークタイプ（例：ResNet、DenseNet）は提供された要約には記載されていない。

実験結果

リサーチクエスチョン

• RQ1 どの深層学習モデルが全スライド画像からの肺がん同定において最も高い診断精度を達成するか？
• RQ2 深層学習モデルの性能は、経験豊富な人間の病理医と比較して、肺がん生検標本の分類においてどのように異なるか？
• RQ3 深層学習は、診断の信頼性を損なわず、全スライド画像の解析をどの程度高速化できるか？
• RQ4 異なる深層学習モデルが肺がんWSI分類で達成したAUC値の範囲は何か？

主な発見

• 深層学習モデルは、全スライド画像からの肺がん分類において、AUCスコアが0.8810から0.9119の範囲で達成された。
• 最も優れた性能を示したモデルは、経験豊富な人間の病理医と同等の診断性能を示した。
• 深層学習の活用により、手動によるレビューと比較して、全スライド画像の解析プロセスが顕著に高速化された。
• 本研究は、高信頼性で深層学習を組織像に応用可能であることを確認した。
• 結果から、深層学習は肺がんスクリーニングおよび検出における堅牢な補助診断ツールとして機能できる可能性がある。