[論文レビュー] Deep learning-based assessment of tumor-associated stroma for diagnosing breast cancer in histopathology images

Babak Ehteshami Bejnordi, Jimmy Linz+7 more|arXiv (Cornell University)|Feb 19, 2017

AI in cancer detection被引用数 4

ひとこと要約

本研究では、H&E染色された全スライド画像における腫瘍関連性ストーマを分析することで乳がんを診断するディープラーニングシステムを提案する。2つの畳み込みニューラルネットワーク（CNN）を用いて組織成分とストーマ特徴を分類し、がんと良性疾患を区別するAUCが0.921に達した。これはストーマが診断バイオマーカーとして強力な判別能を有することを示している。

ABSTRACT

Diagnosis of breast carcinomas has so far been limited to the morphological interpretation of epithelial cells and the assessment of epithelial tissue architecture. Consequently, most of the automated systems have focused on characterizing the epithelial regions of the breast to detect cancer. In this paper, we propose a system for classification of hematoxylin and eosin (H&E) stained breast specimens based on convolutional neural networks that primarily targets the assessment of tumor-associated stroma to diagnose breast cancer patients. We evaluate the performance of our proposed system using a large cohort containing 646 breast tissue biopsies. Our evaluations show that the proposed system achieves an area under ROC of 0.92, demonstrating the discriminative power of previously neglected tumor-associated stroma as a diagnostic biomarker.

研究の動機と目的

• 組織の形態的特徴に焦点を当て、上皮性特徴ではなくストーマの形態に注目することで、乳がんを診断するデータ駆動型システムを開発すること。
• これまで軽視されてきた腫瘍関連性ストーマが、組織病理学において頑健な診断バイオマーカーとして機能できるかどうかを検証すること。
• 手作業で設計された特徴量の限界を克服し、ディープラーニングを用いて自動的にストーマの形態的表現を学習すること。
• 最小限の手動アノテーションで、エンドツーエンドのディープラーニングを用いて大規模な全スライド画像分類を可能にすること。
• 侵襲性乳がんと良性乳腺疾患を区別する文脈で、ストーマベースの分類の性能を評価すること。

提案手法

• 全スライド画像を用いて、11層のVGGに類似した畳み込みニューラルネットワーク（CNN I）を、上皮、ストーマ、脂肪組織に分類するように訓練した。
• 病理医がアノテートした領域を用いて、2番目のCNN（CNN II）を、正常ストーマと腫瘍関連性ストーマに分類するように訓練した。
• 任意サイズの全スライド画像を処理できるように、全結合層の代わりに1×1畳み込み層を採用した。
• 両方のCNNから特徴量を抽出した：CNN Iでは全般的な組織分布、CNN IIではストーマの特徴。
• 両特徴量を統合した特徴量セットを用いてランダムフォレスト分類器を訓練し、全スライドをがんまたは非がんに分類した。
• 一般化性能を向上させるために、誤分類された陽性例（ハードネガティブ例）を再訓練に用いるハードネガティブマッキングを訓練中に適用した。

実験結果

リサーチクエスチョン

• RQ1 腫瘍関連性ストーマは、H&E染色全スライド画像における乳がんの信頼できる診断バイオマーカーとして利用可能か？
• RQ2 上皮に焦点を当てたアプローチと比較して、ストーマの形態に注目するディープラーニングベースのシステムは、乳がん分類において優れた性能を示すか？
• RQ3 手作業で設計された形態的記述子に依存せずに、エンドツーエンドのディープラーニングモデルが判別能のあるストーマ特徴を自動的に学習できるか？
• RQ4 ストーマに焦点を当てたシステムの診断性能は、侵襲性乳がんと良性乳腺疾患を区別する際にどの程度か？
• RQ5 ストーマ特徴は、乳がん診断における予測能において、上皮特徴と比較してどうか？

主な発見

• 提案されたシステムは、全スライドレベルで受信者操作特性曲線下の面積（AUC）が0.921（95%信頼区間：0.862–0.967）に達し、高い診断正確性を示した。
• CNN Iは、上皮、ストーマ、脂肪組織に分類するピクセルレベルの正確度が95.5%に達した。
• CNN IIは、正常ストーマと腫瘍関連性ストーマを区別するピクセルレベルの正確度が92.0%に達した。
• 両CNNの特徴量を統合した場合、AUCが0.921に上昇したのに対し、CNN Iのみでは0.882、CNN IIのみでは0.904であった。
• 結果から、ストーマ特徴量のみでがんを高い信頼性で診断するのに十分な判別情報が含まれていることが確認された。
• 本研究は、腫瘍関連性ストーマがデジタル病理学における新規でデータ駆動型の診断バイオマーカーとして実現可能であり、その可能性を示した。