[論文レビュー] Deep-Learning for Classification of Colorectal Polyps on Whole-Slide Images

Bruno Korbar, Andrea M. Olofson+6 more|arXiv (Cornell University)|Mar 5, 2017

Colorectal Cancer Screening and Detection被引用数 37

ひとこと要約

本研究では、全スライドH&E染色組織像における5種類の結腸直腸ポリープを自動分類するための深層学習システムを、残差畳み込みニューラルネットワーク（ResNet）に基づいて提案する。モデルは239例の独立したテストケースにおいて93.0%の正確性、89.7%の精度、88.3%の再現率、88.8%のF1スコアを達成し、病理医による組織像特徴評価とリスク評価支援において高い有効性を示している。

ABSTRACT

Histopathological characterization of colorectal polyps is an important principle for determining the risk of colorectal cancer and future rates of surveillance for patients. This characterization is time-intensive, requires years of specialized training, and suffers from significant inter-observer and intra-observer variability. In this work, we built an automatic image-understanding method that can accurately classify different types of colorectal polyps in whole-slide histology images to help pathologists with histopathological characterization and diagnosis of colorectal polyps. The proposed image-understanding method is based on deep-learning techniques, which rely on numerous levels of abstraction for data representation and have shown state-of-the-art results for various image analysis tasks. Our image-understanding method covers all five polyp types (hyperplastic polyp, sessile serrated polyp, traditional serrated adenoma, tubular adenoma, and tubulovillous/villous adenoma) that are included in the US multi-society task force guidelines for colorectal cancer risk assessment and surveillance, and encompasses the most common occurrences of colorectal polyps. Our evaluation on 239 independent test samples shows our proposed method can identify the types of colorectal polyps in whole-slide images with a high efficacy (accuracy: 93.0%, precision: 89.7%, recall: 88.3%, F1 score: 88.8%). The presented method in this paper can reduce the cognitive burden on pathologists and improve their accuracy and efficiency in histopathological characterization of colorectal polyps, and in subsequent risk assessment and follow-up recommendations.

研究の動機と目的

• 結腸直腸ポリープの組織像特徴評価における高い観察者間および観察者内ばらつきを是正すること。
• 全スライド画像におけるポリープタイプの分類を自動化することで、病理医の認知的負担を軽減すること。
• 特に平坦状側方性および増殖性ポリープを含む高リスクポリープの同定における診断の正確性と一貫性を向上させること。
• ポリープタイプに基づいた正確なリスク評価およびフォローアップスクリーニングの推奨を支援すること。
• 結腸癌にとどまらず、広範な組織像解析に応用可能なスケーラブルな深層学習フレームワークの開発

提案手法

• 本手法は、H&E染色された結腸直腸ポリープの全スライド画像を用いてトレーニングされた深層残差畳み込みニューラルネットワーク（ResNet）アーキテクチャを採用する。
• モデルは239例の独立した全スライド画像上でエンドツーエンドにトレーニングされ、耐性を高めるためにデータ拡張が適用される。
• 全スライド推論は、複数の画像パッチからの予測を集約するパッチベースのアプローチを用いて実施される。
• システムは5つのポリープタイプを分類する：増殖性ポリープ、平坦状側方性腺腫、従来型側方性腺腫、管状腺腫、および管状乳頭状/乳頭状腺腫。
• モデルの性能は、正確性、精度、再現率、F1スコアといった標準的指標を用いて評価される。
• 今後の研究では、モデルの意思決定を解釈し、透明性を高めるための可視化技術の導入を計画している。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、全スライドH&E染色組織像から5つの主要な結腸直腸ポリープタイプを高い正確性で分類できるか？
• RQ2 モデルは、外見が類似したポリープ（例：増殖性ポリープと平坦状側方性ポリープ）をどれほど正確に区別できるか？
• RQ3 データ拡張は、この組織像分類タスクにおける分類性能をどの程度向上させるか？
• RQ4 モデルは観察者間ばらつきを低減させ、結腸癌スクリーニングにおける標準化されたリスク評価を支援できるか？
• RQ5 説明可能なAI技術は、病理医の信頼を高め、デジタル病理学における深層学習の臨床的受容を促進できるか？

主な発見

• モデルは239例の独立した全スライド画像において全体で93.0%の正確性を達成し、強力な分類性能を示した。
• 精度と再現率はそれぞれ89.7%および88.3%であり、F1スコアは88.8%で、クラス間でバランスの取れた性能が得られた。
• 混同行列から、誤分類が最も頻度の高かったのは増殖性ポリープと平坦状側方性ポリープの間であり、既知の診断上の困難さと整合的であった。
• モデルは低信頼度の正常ケースを「正常」と分類する傾向を示したが、これはトレーニングセット内のクラス多様性に起因すると考えられる。
• データ拡張がモデルの正確性に肯定的な影響を与えることが示され、耐性向上のための有効な手法であることが裏付けられた。
• 本システムは、病理医によるリスク評価およびフォローアップ計画支援における臨床統合の強力な可能性を示している。