[論文レビュー] Coupling weak and strong supervision for classification of prostate cancer histopathology images

Eirini Arvaniti, Manfred Claassen|arXiv (Cornell University)|Nov 16, 2018

AI in cancer detection参考文献 7被引用数 13

ひとこと要約

本論文は、前立腺がんの Gleason スコア分類のため、大規模な弱いラベル付き全スライド画像データセット（TCGA）と小規模な強いラベル付き組織マイクロアレイデータセット（TMA）を同時に学習する自己重み付き弱い監視手法を提案する。モデルが予測する信頼度スコアを用いて弱い監視信号の重みを動的に調整することで、一般化性能が向上し、TCGA WSI において AUC 0.882、Kendall’s τ 0.540 の最先端性能を達成した。

ABSTRACT

Automated grading of prostate cancer histopathology images is a challenging task, with one key challenge being the scarcity of annotations down to the level of regions of interest (strong labels), as typically the prostate cancer Gleason score is known only for entire tissue slides (weak labels). In this study, we focus on automated Gleason score assignment of prostate cancer whole-slide images on the basis of a large weakly-labeled dataset and a smaller strongly-labeled one. We efficiently leverage information from both label sources by jointly training a classifier on the two datasets and by introducing a gradient update scheme that assigns different relative importances to each training example, as a means of self-controlling the weak supervision signal. Our approach achieves superior performance when compared with standard Gleason scoring methods.

研究の動機と目的

• 前立腺がん組織像分類において、限られた ROI レベルの Gleason パターンラベルを補完するため、弱い（患者レベル）と強い（ピクセル単位）ラベルを統合すること。
• 大規模な弱いラベル付きデータセットと少量の強いラベル付きデータが併存する状況において、全スライド画像（WSI）の分類性能を向上させること。
• TMA と TCGA データセット間のドメインシフトを軽減するため、染色転送と色のオーキュレーションを適用すること。
• モデルの信頼度に基づいて弱い監視信号の寄与度を動的に制御する自己重み付け機構の開発

提案手法

• 本手法は、2段階の勾配更新スキームを用いて、弱いラベル付き（TCGA）および強いラベル付き（TMA）データセットの両方で ResNet18 分類器を同時に学習する。
• 弱い監視信号は、正しく予測された弱いラベルの予測確率として算出される各例ごとの信頼度スコアによって重み付けされ、誤ラベルや曖昧なピクセルの影響が低減される。
• TMA（ソース）と TCGA（ターゲット）データセット間の共変量シフトを軽減するため、染色転送と色のジャマレーションを適用する。
• アルゴリズム1 を用いて自己重み付け学習戦略を実装し、信頼度重み付き勾配を用いて強いラベルと弱いラベルのバックプロパゲーションを交互に実行する。
• MMD や CORAL、敵対的訓練などのドメイン適応技術も評価されたが、染色転送と色のオーキュレーションに比べて効果が低かった。
• AUC、正解率、臨床的 Gleason スコア群との Kendall’s τ 相関を用いて、5分割交差検証により性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 限られた ROI レベルのアノテーションしか得られない状況で、弱い監視と強い監視を統合することで、前立腺がんの全スライド画像分類性能が向上するか？
• RQ2 トレーニング中にノイズが多い、または不整合のある弱い監視信号の影響をどのように低減できるか？
• RQ3 TMA と TCGA 組織像データセット間の分布シフトを軽減するために、どのデータオーキュレーションおよびドメイン適応戦略が最も効果的か？
• RQ4 モデルの信頼度に基づいて弱い監視信号に重みを付ける自己重み付け戦略は、標準的または MIL ベースの弱い監視よりも一般化性能が優れているか？
• RQ5 AUC、正解率、臨床的 Gleason 分類との相関という観点から、本手法は既存の手法と比較して優れているか？

主な発見

• 提案された自己重み付き弱い監視（SW-WS）手法は、弱いラベルと強いラベルの両方を用いて学習した場合、TCGA 全スライド画像で最高の AUC 0.882（±0.024）および Kendall’s τ 0.540（±0.032）を達成した。
• 弱いラベル付き TCGA データのみを用いた場合、AUC は 0.814（±0.057）であったが、強い TMA ラベルを追加することで 0.845（±0.065）に向上し、強い監視の価値を示した。
• SW-WS 手法は、MIL ベースの弱い監視（AUC 0.839）および標準的な弱いラベルのみの学習を上回り、トップ-k サンプリングよりも信頼度ベースの重み付けがより効果的であることを示した。
• 染色転送と色のオーキュレーションが、MMD や CORAL や敵対的ドメイン適応よりも、共変量シフト軽減において最も効果的であった。
• 最良のベースラインと比較して、AUC は 5.4% の絶対的向上、Kendall’s τ は 12.5% の向上を達成し、臨床的意義が明確に示された。
• モデルが予測した WSI スコアは臨床的 Gleason スコア群と強く相関していた（τ = 0.540）ため、臨床的応用可能性が示唆された。