[論文レビュー] Deep Learning Models for Digital Pathology

Aïcha BenTaieb, Ghassan Hamarneh|arXiv (Cornell University)|Oct 27, 2019

AI in cancer detection参考文献 100被引用数 10

ひとこと要約

本サーベイは、デジタル病理学におけるディープラーニングの応用をレビューし、ホールスライドイメージ（WSI）解析における課題と、検出、染色正規化、セグメンテーション、分類のための解決策に焦点を当てる。AUC=0.95 および C-index=0.75 といった主要な研究での結果を示しながら、高精度ながん診断、生存予測、画像増強を達成する最先端のモデル（CNN、RNN、GANなど）の特徴を強調する。

ABSTRACT

Histopathology images; microscopy images of stained tissue biopsies contain fundamental prognostic information that forms the foundation of pathological analysis and diagnostic medicine. However, diagnostics from histopathology images generally rely on a visual cognitive assessment of tissue slides which implies an inherent element of interpretation and hence subjectivity. Access to digitized histopathology images enabled the development of computational systems aiming at reducing manual intervention and automating parts of pathologists' workflow. Specifically, applications of deep learning to histopathology image analysis now offer opportunities for better quantitative modeling of disease appearance and hence possibly improved prediction of disease aggressiveness and patient outcome. However digitized histopathology tissue slides are unique in a variety of ways and come with their own set of computational challenges. In this survey, we summarize the different challenges facing computational systems for digital pathology and provide a review of state-of-the-art works that developed deep learning-based solutions for the predictive modeling of histopathology images from a detection, stain normalization, segmentation, and tissue classification perspective. We then discuss the challenges facing the validation and integration of such deep learning-based computational systems in clinical workflow and reflect on future opportunities for histopathology derived image measurements and better predictive modeling.

研究の動機と目的

• デジタル病理学におけるホールスライドイメージ（WSI）に特有の計算的課題を特定し、体系化すること。
• 組織病理学的画像解析の分野における検出、セグメンテーション、分類、染色正規化の各タスクについて、最先端のディープラーニングモデルを調査すること。
• 臨床ワークフローにおけるディープラーニングシステムの性能と検証戦略を評価すること。
• 疾患の進行度や患者の予後を予測するためのモデリングに、AIが導出する画像測定値を統合する機会を検討すること。
• 病理学におけるディープラーニングモデルの解釈可能性、ドメイン適応、臨床的検証のギャップを解消すること。

提案手法

• 検出、セグメンテーション、分類、染色正規化、生存予測のタスク別に分類された、ディープラーニングに関する118件の研究を対象とした体系的レビュー。
• 特徴抽出とデータ増強に用いられる、CNN（例：VGG、ResNet）、RNN（例：LSTM）、オートエンコーダ（SAE、VAE）、GAN（cGAN、InfoGAN）を含むディープラーニングアーキテクチャの分析。
• 生存予測モデリングに用いられる損失関数（例：交差エントロピー（CE）、平均二乗誤差（MSE）、コックス回帰）の評価。正則化（L2）および高度な目的関数（例：F1、DICE、AUC）を含む。
• 染色変動に強いモデルを実現するため、色の脱成分（CD）、染色正規化（SN）、データ増強（回転、反転、色ずらし）の手法を適用。
• ピクセルレベルのアノテーションに依存するのを減らすために、弱教師あり学習およびマルチインスタンス学習（MIL）フレームワークを活用。
• 生存予測モデリングにおける予測性能を向上させるために、構造的符号化およびマルチモodalデータ（例：H&E + オミックス）を統合。

実験結果

リサーチクエスチョン

• RQ1 デジタル病理学におけるディープラーニングのWSI解析に特有の計算的課題は何か？
• RQ2 CNN、RNN、GAN、オートエンコーダなどの異なるディープラーニングアーキテクチャは、がん検出、セグメンテーション、生存予測などの組織病理学的タスクでどのように性能を発揮するか？
• RQ3 染色正規化とデータ増強は、異なる染色プロトコルおよびデータセット間でのモデル汎用性をどの程度向上させることができるか？
• RQ4 ディープラーニングにおける現在の検証戦略と性能指標は何か。それらは臨床統合をどのように支援するか？
• RQ5 解釈可能性とドメイン適応をどのように改善すれば、臨床ワークフローへの信頼性ある導入が可能になるか？

主な発見

• ディープラーニングモデルは、がん分類において高い性能を発揮し、ResNetベースのモデルが肺がんグレーディングで81%の正解率（n=64）を達成した。
• CNNを用いたコックス回帰による生存予測モデルは、脳がん（TCGA）でC-index=0.75を達成し、予後予測価値が強いことを示した。
• SSAEを用いた染色正規化により、WSIレベルの染色転送でDICEスコア0.76を達成し、染色変動にわたる一貫性が向上した。
• 生成的敵対ネットワーク（cGAN）により、膵臓組織でSSIM=0.9、PSNR=31.5の高精度なデジタル染色が実現され、データ合成を支援した。
• MILを用いた弱教師ありモデルは、乳がんセグメンテーションでF1=0.83を達成（Camelyon16）、ピクセルレベルのアノテーション依存を低減した。
• 解釈可能性技術（例：特徴可視化）により、意味のある組織パターンが特定され、病理解剖医がアノテートした領域と照合する際のIOUは0.55を記録した。