[論文レビュー] Deep-learning-based identification of odontogenic keratocysts in hematoxylin- and eosin-stained jaw cyst specimens

Kei Sakamoto, Keiichi Morita+2 more|arXiv (Cornell University)|Jan 12, 2019

Oral and Maxillofacial Pathology参考文献 20被引用数 4

ひとこと要約

本研究では、H&E染色された顕微鏡画像を微調整したVGG16を用いた深層学習システムを開発し、診断的基準となる基底細胞パラサイディングパターンを検出することで、歯原性角化嚢胞を自動的に同定する。モデルはテストセットでAUC 0.997を達成し、微細な組織像的変異に対処する課題があるものの、自動角化嚢胞診断において高い正確性を示した。

ABSTRACT

The aim of this study was to develop a digital histopathology system for identifying odontogenic keratocysts in hematoxylin- and eosin-stained tissue specimens of jaw cysts. Approximately 5000 microscopy images with 400$ imes$ magnification were obtained from 199 odontogenic keratocysts, 208 dentigerous cysts, and 55 radicular cysts. A proportion of these images were used to make training patches, which were annotated as belonging to one of the following three classes: keratocysts, non-keratocysts, and stroma. The patches for the cysts contained the complete lining epithelium, with the cyst cavity being present on the upper side. The convolutional neural network (CNN) VGG16 was finetuned to this dataset. The trained CNN could recognize the basal cell palisading pattern, which is the definitive criterion for diagnosing keratocysts. Some of the remaining images were scanned and analyzed by the trained CNN, whose output was then used to train another CNN for binary classification (keratocyst or not). The area under the receiver operating characteristics curve for the entire algorithm was 0.997 for the test dataset. Thus, the proposed patch classification strategy is usable for automated keratocyst diagnosis. However, further optimization must be performed to make it suitable for practical use.

研究の動機と目的

• 日常的なH&E染色組織切片における歯原性角化嚢胞を同定する自動デジタル組織病理学システムの開発を目的とする。
• 特に経験の浅い病理医における主観的でばらつきのある診断に起因する、角化嚢胞同定の課題に対処することを目的とする。
• 深層学習が、角化嚢胞診断に不可欠な決定的組織像的特徴—基底細胞パラサイディング—を自律的に学習・検出できるかどうかを評価することを目的とする。
• 限られたトレーニングデータで希少な口腔嚢胞を分類するために、パッチベースの畳み込みニューラルネットワーク（CNN）の可能性を検討することを目的とする。
• 特徴マップの活性化を分析することで、モデルの意思決定プロセスが病理学的推論と一致するかどうかを評価することを目的とする。

提案手法

• 199例の歯原性角化嚢胞、208例の歯原性嚢胞、55例の根周囲嚢胞から、400倍拡大の顕微鏡画像を合計5,000枚収集した。
• トレーニング用パッチを抽出し、3つのクラスにアノテーションした：角化嚢胞、非角化嚢胞、および間質。上皮線維と嚢胞腔を完全に保持した。
• VGG16 CNNをこれらのアノテーション済みパッチ上で微調整し、特にパラサイディングパターンを特徴として学習した。
• 全スライド画像の出力を用いて、2値分類（角化嚢胞対非角化嚢胞）を実行するための第2のCNNをトレーニングした。
• モデルのパフォーマンスは、ホールドアウトされたテストセットにおける受信者リポーテージ特性曲線（ROC）の下側面積（AUC）を用いて評価した。
• 中間畳み込み層の活性化パターンを分析することで、ネットワークがどの特徴を優先しているかを解釈可能性の観点から評価した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、日常的なH&E染色組織病理スライドにおいて、歯原性角化嚢胞を正確に同定できるか？
• RQ2 モデルは、病理医が角化嚢胞診断に用いる決定的組織像的特徴である基底細胞パラサイディングを学習して検出できるか？
• RQ3 モデルの内部的特徴学習が、専門家の診断的推論とどの程度一致するか？
• RQ4 限られたトレーニングデータで、パッチベースのCNNが希少な口腔嚢胞に対して高い診断正確性を達成できるか？
• RQ5 人間の病理医が見過ごしているが、エンドツーエンド学習によってモデルが発見する組織像的特徴は存在するか？

主な発見

• 深層学習モデルはテストデータセットで受信者リポーテージ特性曲線（ROC）の下側面積（AUC）が0.997に達し、ほぼ完璧な診断性能を示した。
• 中間層の活性化分析により、モデルが基底細胞パラサイディングパターンを正確に学習していることが確認された。これは、歯原性角化嚢胞の診断に不可欠な決定的組織像的基準である。
• 最終畳み込み層のフィルタは、基底層における整列した楕円形核に強く反応し、モデルが主要な診断的特徴に注目していることを裏付けた。
• モデルは、従来の教科書で強調されていない以前に見過ごされていた組織像的特徴を発見した：棘細胞層フィルタにおける信号強化は、角化に伴うタンパク質合成活性の上昇を示唆しており、これは重要な新規発見であった。
• 全体的な正確性は高いが、パラサイディングが不十分な角化嚢胞や、偽パラサイディングパターンを示す非角化嚢胞を区別するのに苦慮しており、曖昧な症例の処理における限界を示した。
• 活性化パターンから、モデルの推論が生物学的に妥当であることが示された。病理医が用いる特徴に類似したものを優先しているが、熟練病理医が使用する微細な構造的手がかりを見逃す可能性がある。