[論文レビュー] DeepGleason: a System for Automated Gleason Grading of Prostate Cancer using Deep Neural Networks

Dominik Müller, Philip Meyer+9 more|arXiv (Cornell University)|Mar 25, 2024

AI in cancer detection被引用数 5

ひとこと要約

DeepGleason は、全スライド前立腺癌画像の Gleason グレーディングを自動化するための ConvNeXt を用いたタイル単位深層学習システムをオープンソースで提示し、High macro F1、AUC、そして精度を達成します。

ABSTRACT

Advances in digital pathology and artificial intelligence (AI) offer promising opportunities for clinical decision support and enhancing diagnostic workflows. Previous studies already demonstrated AI's potential for automated Gleason grading, but lack state-of-the-art methodology and model reusability. To address this issue, we propose DeepGleason: an open-source deep neural network based image classification system for automated Gleason grading using whole-slide histopathology images from prostate tissue sections. Implemented with the standardized AUCMEDI framework, our tool employs a tile-wise classification approach utilizing fine-tuned image preprocessing techniques in combination with a ConvNeXt architecture which was compared to various state-of-the-art architectures. The neural network model was trained and validated on an in-house dataset of 34,264 annotated tiles from 369 prostate carcinoma slides. We demonstrated that DeepGleason is capable of highly accurate and reliable Gleason grading with a macro-averaged F1-score of 0.806, AUC of 0.991, and Accuracy of 0.974. The internal architecture comparison revealed that the ConvNeXt model was superior performance-wise on our dataset to established and other modern architectures like transformers. Furthermore, we were able to outperform the current state-of-the-art in tile-wise fine-classification with a sensitivity and specificity of 0.94 and 0.98 for benign vs malignant detection as well as of 0.91 and 0.75 for Gleason 3 vs Gleason 4 & 5 classification, respectively. Our tool contributes to the wider adoption of AI-based Gleason grading within the research community and paves the way for broader clinical application of deep learning models in digital pathology. DeepGleason is open-source and publicly available for research application in the following Git repository: https://github.com/frankkramer-lab/DeepGleason.

研究の動機と目的

• デジタル病理学における臨床意思決定を支援するための Gleason 自動グレーディングの動機付け。
• タイル単位の前立腺がんグレーディングのためのオープンソースで再利用可能なAIツールを開発。
• 全スライド画像のタイル単位分類の最先端アーキテクチャを評価。
• 前立腺タイルの大規模アノテーション付きデータセットでの性能ベンチマークを示す。

提案手法

• 全スライド病理画像におけるタイル単位画像分類。
• ConvNeXt ニューラルネットワークと組み合わせた微調整済みの画像前処理技術。
• ConvNeXt をトランスフォーマーを含む最先端アーキテクチャと比較。
• 369枚のスライドから成る内部データセットの34,264個のアノテーション付きタイルでの訓練と検証。
• AUCMEDI フレームワーク内での実装とオープンソース公開。

実験結果

リサーチクエスチョン

• RQ1 タイル単位の深層学習モデルは全スライド前立腺病理画像に対して Gleason グレーディングを正確に行えるか？
• RQ2 与えられたデータセットでタイル単位の Gleason 分類においてどのニューラルネットワークアーキテクチャが優れた性能を示すか？
• RQ3 提案されたシステムは良悪性検出と Gleason グレード識別における臨床的に関連する指標を満たしているか？

主な発見

• Macro-averaged F1-score of 0.806 on the evaluation dataset.
• AUC of 0.991.
• Accuracy of 0.974.
• ConvNeXt outperformed other architectures including transformers in this dataset.
• Benign vs malignant detection: sensitivity 0.94, specificity 0.98.
• Gleason 3 vs Gleason 4 & 5 classification: sensitivity 0.91, specificity 0.75.