[論文レビュー] DeepACC:Automate Chromosome Classification based on Metaphase Images using Deep Learning Framework Fused with Prior Knowledge

Chunlong Luo, Tianqi Yu+7 more|arXiv (Cornell University)|Jun 28, 2020

Advanced Neural Network Applications参考文献 22被引用数 5

ひとこと要約

DeepACCは、臨床的核型解析からの事前知識を活用して、全身中期像において染色体を同時に局所化および微分類する検出ベースの深層学習フレームワークを提案する。追加的角マージン損失、バッチ効果低減のためのシameseネットワーク、および7群分類基準のためのグループ内隣接損失を統合することで、3,390枚の臨床的中期像から成るデータセットにおいて最先端の性能を達成した。

ABSTRACT

Chromosome classification is an important but difficult and tedious task in karyotyping. Previous methods only classify manually segmented single chromosome, which is far from clinical practice. In this work, we propose a detection based method, DeepACC, to locate and fine classify chromosomes simultaneously based on the whole metaphase image. We firstly introduce the Additive Angular Margin Loss to enhance the discriminative power of model. To alleviate batch effects, we transform decision boundary of each class case-by-case through a siamese network which make full use of prior knowledges that chromosomes usually appear in pairs. Furthermore, we take the clinically seven group criterion as a prior knowledge and design an additional Group Inner-Adjacency Loss to further reduce inter-class similarities. 3390 metaphase images from clinical laboratory are collected and labelled to evaluate the performance. Results show that the new design brings encouraging performance gains comparing to the state-of-the-art baselines.

研究の動機と目的

• 孤立した手動セグメンテーション済み染色体ではなく、全身中期像を処理することにより、自動染色体分類における臨床的ギャップを埋める。
• 染色体が対をなして存在する生物学的事前知識を活用し、シameseネットワークにより染色体ペアの決定境界を適応させることで、モデルバイアスおよびバッチ効果を低減する。
• 7群分類核型システムにおけるグループレベルの事前知識を新たなグループ内隣接損失により組み込むことで、グループごとの構造を埋め込み空間に強制し、クラス間分離性を向上させる。
• 臨床的実用性を高めるために、現実の核型解析ワークフローを模倣するフレームワークを開発し、細胞ゲノム分野における深層学習の実用的応用を促進する。

提案手法

• 特徴空間におけるクラス間埋め込みを離れるように押し出すことで、特徴の識別能を向上させるために、追加的角マージン損失を導入する。
• 染色体ペアごとの意思決定境界を適応させるために、シameseネットワークを採用し、生物学的事前知識（染色体対）を活用してバッチ効果を低減する。
• 隣接する核型グループに属する染色体間の類似性を最小化するグループ内隣接損失を設計し、埋め込み空間にグループ構造を強制する。
• 位置と微分類ラベルが付与された3,390枚の全身中期像を用いて、モデルをエンドツーエンドで訓練する。
• 検出ベースのアーキテクチャを採用し、個々の染色体の局所化とその微分類ラベルの予測を同時に実行する。
• 臨床的に標準的な7群分類核型システムを損失関数およびモデル設計に、構造的インダクティブバイアスとして組み込む。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、臨床的関連性を保ちつつ、全身中期像において染色体を同時に検出および微分類できるか？
• RQ2 染色体対や7群分類核型システムといった生物学的事前知識を統合することで、分類性能と頑健性がどのように向上するか？
• RQ3 提案されたグループ内隣接損失は、隣接する核型グループに属するクラス間の類似性をどの程度低減し、分離性を向上させるか？
• RQ4 追加的角マージン損失とシameseベースのバッチ効果低減の統合は、実臨床データにおいて最先端手法に比べて優れた性能を達成するか？

主な発見

• 追加的角マージン損失の統合により、特徴の識別能が顕著に向上し、クラス間分離性が向上した。
• シameseネットワークは、染色体対の構造をモデル化することで、バッチ効果を効果的に低減し、異なるバッチ間での一般化性能を向上させた。
• グループ内隣接損失は、隣接する核型グループに属する染色体間の類似性を成功裏に低減し、微分類における分類精度を向上させた。
• 全体としてのDeepACCフレームワークは、3,390枚の中期像から成る臨床的データセットにおいて最先端の性能を達成し、既存のベースラインに顕著な向上を示した。
• 手動セグメンテーションを必要とせず、全身中期像を処理できるモデルの能力は、従来の手法よりも臨床的導入に適している。