[論文レビュー] Context-aware Skin Cancer Epithelial Cell Classification with Scalable Graph Transformers

Lucas Sancéré, Noémie Moreau+1 more|arXiv (Cornell University)|Feb 17, 2026

Cutaneous Melanoma Detection and Management被引用数 0

ひとこと要約

論文は、健康な上皮細胞と腫瘍性上皮細胞を分類するために全WSI細胞グラフ上で拡張可能なGraph Transformerを実証し、パッチベースの画像手法より優れた性能とより速いトレーニング時間を提供します。

ABSTRACT

Whole-slide images (WSIs) from cancer patients contain rich information that can be used for medical diagnosis or to follow treatment progress. To automate their analysis, numerous deep learning methods based on convolutional neural networks and Vision Transformers have been developed and have achieved strong performance in segmentation and classification tasks. However, due to the large size and complex cellular organization of WSIs, these models rely on patch-based representations, losing vital tissue-level context. We propose using scalable Graph Transformers on a full-WSI cell graph for classification. We evaluate this methodology on a challenging task: the classification of healthy versus tumor epithelial cells in cutaneous squamous cell carcinoma (cSCC), where both cell types exhibit very similar morphologies and are therefore difficult to differentiate for image-based approaches. We first compared image-based and graph-based methods on a single WSI. Graph Transformer models SGFormer and DIFFormer achieved balanced accuracies of $85.2 \pm 1.5$ ($\pm$ standard error) and $85.1 \pm 2.5$ in 3-fold cross-validation, respectively, whereas the best image-based method reached $81.2 \pm 3.0$. By evaluating several node feature configurations, we found that the most informative representation combined morphological and texture features as well as the cell classes of non-epithelial cells, highlighting the importance of the surrounding cellular context. We then extended our work to train on several WSIs from several patients. To address the computational constraints of image-based models, we extracted four $2560 imes 2560$ pixel patches from each image and converted them into graphs. In this setting, DIFFormer achieved a balanced accuracy of $83.6 \pm 1.9$ (3-fold cross-validation), while the state-of-the-art image-based model CellViT256 reached $78.1 \pm 0.5$.

研究の動機と目的

• 分析時に組織レベルの文脈を失う patchベースのWSI の制限に対処する。
• 全WSIセルグラフ表現とスケーラブルなGraph Transformerを用いて上皮細胞を分類する。
• WSI-GraphおよびTILE-Graphsデータセットに対して、グラフベース手法と画像ベースアプローチを系統的に比較する。
• ノード特徴の選択とグラフ簡略化が分類性能に与える影響を調査する。

提案手法

• ノードが形態、テクスチャ、クラス特徴を持つ核をノードとし、エッジが閾値距離内の隣接核を結ぶWSIレベルの細胞グラフを構築する。
• 専門家の腫瘍アノテーションを用いて上皮細胞ラベルを精緻化し、腫瘍対健康のノードクラスを作成する。
• エピテリアルアンカーからk-最大ホップ内のノードを保持して文脈と計算効率のバランスを取ることでグラフを簡略化する。
• 線形複雑さのGraph Transformer（SGFormer、NodeFormer、DIFFormer）を用いて二値ノード分類（腫瘍 vs 健康）を評価し、文脈情報を保持するためターゲットクラス特徴をマスクする。
• WSI-GraphとTILE-Graphsのfold間で、3分割クロスバリデーションを用いて、初期停止なしで画像ベースのベンチマーク（CellViT256）とグラフベースモデルを比較する。
• 大規模GPU上でAdamで訓練し、各モデルに対して前のベンチマークからハイパーパラメータを適用・適応する；サブグラフおよびランダムノード評価プロトコルの双方を実施して汎化を評価する。

実験結果

リサーチクエスチョン

• RQ1 全WSI細胞グラフ表現は、 patchベース画像手法と比較して健康と腫瘍上皮細胞の識別力を改善できるか？
• RQ2 どのノード特徴（形態、テクスチャ、細胞クラス）と正規化戦略が上皮細胞分類を最も改善するか？
• RQ3 線形複雑性を持つスケーラブルなGraph Transformerは、従来のGNNおよび画像ベースモデルと比較してWSI-GraphおよびTILE-Graphsデータセットでどの程度性能を発揮するか？
• RQ4 グラフ簡略化（最大ホップ数）の評価プロトコル全体で分類精度とロバストネスに対する影響はどうか？

主な発見

• 単一のWSIで、SGFormerは85.2 ± 1.5 のバランス精度、DIFFormerは85.1 ± 2.5を達成し、最高の画像ベース手法81.2 ± 3.0を上回った。
• 複数の患者を跨ぐTILE-Graphsでは、DIFFormerが83.6 ± 1.9のバランス精度を達成、CellViT256の78.1 ± 0.5を上回った。
• グラフベースの訓練は大幅に高速で、DIFFormerの1foldあたりの訓練は約32分、CellViT256は約5日程度だった。
• ノード特徴の破壊的検証では、形態、テクスチャ、細胞クラス特徴をzスコア正規化と組み合わせると最良の一般化が得られる（例：形態+テクスチャ+細胞クラス with normalization：84.0 ± 2.8のサブグラフ；94.5 ± 0.4のランダムノード；表データ参照）。
• グラフの簡略化（最大ホップ10）は、接続性と性能のバランスを提供する（86.6 ± 2.2のサブグラフ；95.0 ± 0.2のランダムノード）。
• 総じて、グラフベースのアプローチ（DIFFormer、SGFormer）は、同一患者内および複数患者データセットの両方で画像ベース手法を上回り、計算効率も大幅に向上する可能性がある。