[論文レビュー] Context-aware stacked convolutional neural networks for classification of breast carcinomas in whole-slide histopathology images

Babak Ehteshami Bejnordi, Guido Zuidhof+7 more|arXiv (Cornell University)|May 10, 2017

AI in cancer detection参考文献 30被引用数 7

ひとこと要約

本論文は、ヒスタパシールの全スライド画像（WSI）を正常／良性、導管内癌（DCIS）、浸潤性導管癌（IDC）に分類するための文脈に配慮したスタックド畳み込みニューラルネットワーク（CAS-CNN）を提案する。この手法は二段階のディーブラーニングアプローチを採用しており、まず高解像度のCNNが小さなパッチから細胞レベルの特徴を抽出し、その後にグローバルな文脈的依存関係を統合する完全畳み込みネットワークが続く。このシステムは、221枚の全スライド画像から成るデータセット上で、バイナリ分類のAUCが0.962、3クラス分類の正確度が81.3％を達成した。

ABSTRACT

Automated classification of histopathological whole-slide images (WSI) of breast tissue requires analysis at very high resolutions with a large contextual area. In this paper, we present context-aware stacked convolutional neural networks (CNN) for classification of breast WSIs into normal/benign, ductal carcinoma in situ (DCIS), and invasive ductal carcinoma (IDC). We first train a CNN using high pixel resolution patches to capture cellular level information. The feature responses generated by this model are then fed as input to a second CNN, stacked on top of the first. Training of this stacked architecture with large input patches enables learning of fine-grained (cellular) details and global interdependence of tissue structures. Our system is trained and evaluated on a dataset containing 221 WSIs of H&E stained breast tissue specimens. The system achieves an AUC of 0.962 for the binary classification of non-malignant and malignant slides and obtains a three class accuracy of 81.3% for classification of WSIs into normal/benign, DCIS, and IDC, demonstrating its potentials for routine diagnostics.

研究の動機と目的

• ヘマトキシリン・エオシン染色（H&E）で染色された乳腺組織の全スライド画像（WSI）を、正常／良性、DCIS、IDCのカテゴリに自動的に分類するための深層学習システムを開発すること。
• 微細な細胞レベルの詳細と大規模な組織的文脈の両方を含む高解像度のWSIを効果的に分析する課題に対処すること。
• スタックドCNNアーキテクチャを通じて、局所的な細胞特徴とグローバルな構造的相関関係を統合することで、分類性能を向上させること。
• 臨床コhortから得た221枚の全スライド画像から成る実世界のデータセット上で、このシステムの評価を行うこと。
• 深層学習を用いた日常的な診断スクリーニング（例：悪性を逃さずに良性スライドを除外する）の実現可能性を評価すること。

提案手法

• 二段階のスタックドCNNアーキテクチャを採用：第一段階では、高解像度パッチ（最大512×512）で学習されたCNNが、微細な細胞特徴を抽出する。
• 第一CNNの特徴マップを、上にスタックされた第二の完全畳み込みネットワークに入力として供給し、組織全体にわたる長距離の文脈的依存関係をモデル化する。
• 大規模な入力パッチを用いてエンド・トゥ・エンドで訓練することで、局所的形態とグローバルな組織構造の両方を学習可能にする。
• 階層的特徴学習を活用し、良性、前癌性、癌性の腫瘍を区別する上で重要な核および腺様パターンを捉える。
• 専門病理医によるアノテーション付き221枚の全スライド画像のデータセット上で、モデルを訓練および評価する。
• 外部のデータ拡張に依存せずに、大規模なパッチ入力を通じた受容 field の拡大により、文脈認識能力を向上させる。

実験結果

リサーチクエスチョン

• RQ1 スタックドCNNアーキテクチャは、正確な乳腺WSI分類のため、局所的な細胞レベルの特徴とグローバルな組織的文脈を効果的に統合できるか？
• RQ2 入力パッチサイズを拡大することで、深層学習モデルの乳腺癌分類性能にどのような影響を与えるか？
• RQ3 文脈に配慮した深層学習モデルは、H&E染色全スライド画像において、良性、DCIS、IDC病変をどの程度正確に区別できるか？
• RQ4 このようなシステムは、悪性を検出する感度を高く保ちつつ、良性スライドの効率的なスクリーニングを可能にするか？
• RQ5 自動分類における誤分類の主な要因は何か、特にDCISと良性模倣病変との間で顕在する診断の曖昧さに起因するか？

主な発見

• CAS-CNNは、正常／良性と悪性（DCISおよびIDC）のバイナリ分類において、受容器特性曲線下積分（AUC）が0.962を達成した。
• テストセットでは、3クラス分類の正確度が81.3％、CohenのKappa係数が0.700に達し、実世界データにおいて優れた性能を示した。
• モデルはすべての悪性スライド（IDCおよびDCIS）を正しく分類し、悪性を逃さずに約50％の良性スライドを除外できた。
• 誤分類は主に、通常の導管上皮増殖症などの良性状態とDCIS、およびDCISとIDCとの間で発生しており、専門家ですら診断に曄態を示すことが判明した。
• パッチサイズを大きくするに従い、性能が一貫して向上した。これは、拡大された受容 field が分類精度を向上させることを示している。
• 本研究は、染色標準化とマルチスケールアーキテクチャの導入により、微細な形態的差異を区別する際の一般化性能をさらに向上させ、誤りを低減できる可能性を示唆している。