[論文レビュー] Deep Learning for Identifying Metastatic Breast Cancer

D. Wang, Aditya Khosla+3 more|arXiv (Cornell University)|Jun 18, 2016

AI in cancer detection参考文献 18被引用数 802

ひとこと要約

本論文は、センチネルリンパ節の全スライド画像における転移性乳がんを検出する深層学習システムを提案し、スライドベースおよび病変ベースのタスクで最高のAUCを達成し、人間のレビューと組み合わせることで病理医の誤りを大幅に削減する。

ABSTRACT

The International Symposium on Biomedical Imaging (ISBI) held a grand challenge to evaluate computational systems for the automated detection of metastatic breast cancer in whole slide images of sentinel lymph node biopsies. Our team won both competitions in the grand challenge, obtaining an area under the receiver operating curve (AUC) of 0.925 for the task of whole slide image classification and a score of 0.7051 for the tumor localization task. A pathologist independently reviewed the same images, obtaining a whole slide image classification AUC of 0.966 and a tumor localization score of 0.733. Combining our deep learning system's predictions with the human pathologist's diagnoses increased the pathologist's AUC to 0.995, representing an approximately 85 percent reduction in human error rate. These results demonstrate the power of using deep learning to produce significant improvements in the accuracy of pathological diagnoses.

研究の動機と目的

• 癌治療における正確で標準化された病理診断の必要性を喚起する。
• 全スライド乳腺セントネルリンパ節に転移を検出する深層学習フレームワークを開発する。
• 自動画像解析によって診断ミスと認知的負荷を低減する。
• パッチレベルの学習とヒートマップベースの後処理を可能にし、スライドレベルおよび病変レベルの意思決定を支援する。

提案手法

• WSIsからの正・負の256x256パッチを数百万単位で用いて、腫瘍パッチと正常パッチを識別するパッチベースのCNNを訓練する。
• 複数のアーキテクチャを評価し、腫瘍確率ヒートマップを生成するための速度と安定性を理由にGoogLeNetを選択する。
• 背景を除去するために、WSIsを前処理し、HおよびSチャネルでHSV閾値処理とOtsu閾値処理を適用する。
• ヒートマップを後処理して、幾何学的/形態的特徴とランダムフォレスト分類器を用いてスライドベースの腫瘍確率を計算する。
• ハードネガティブ領域のエンリッチメントと連結成分分析を用いたヒートマップ閾値処理を含むD-IおよびD-IIの2段階モデルで病変検出を強化する。

実験結果

リサーチクエスチョン

• RQ1 センチネルリンパ節のWSIにおいて、パッチベースの深層学習は腫瘍を含むパッチと正常組織を正確に識別できるか。
• RQ2 ヒートマップベースの後処理ステップは、スライドレベルおよび病変レベルの転移検出を正確に可能にするか。
• RQ3 深層学習システムと人間の病理学者を組み合わせることで、いずれのアプローチ単独よりも診断ミスを減らせるか。

主な発見

• スライドベースのAUCを0.9250に達成、Camelyon16参加者中トップ。
• 病変ベースのスコア0.7051を達成、競技で最高、2位より22%高い。
• 深層学習の予測と病理医の診断を組み合わせ、病理医のAUCを0.9948に引き上げた（単独0.9664から）。
• 病理医単独のAUCは0.9664で、ある比較では偽陽性がゼロ、一方で組み合わせたシステムは人間の誤り率を約0.52%へ低減。