[論文レビュー] Development and Evaluation of a Deep Neural Network for Histologic Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection Slides

Mengdan Zhu, Bing Ren+4 more|arXiv (Cornell University)|Oct 30, 2020

AI in cancer detection参考文献 35被引用数 6

ひとこと要約

本研究では、デジタル化された生検および手術標本スライドにおける腎細胞癌（RCC）の組織像分類を自動化するための深層ニューラルネットワークを開発した。内部および外部のデータセットにおいて、AUCが0.98～0.99に達した。モデルは、分類に寄与する領域を可視化することで解釈可能性を向上させ、病理医が事前スクリーニング、領域強調表示、第二診断意見の支援を受けるのを支援する。

ABSTRACT

Renal cell carcinoma (RCC) is the most common renal cancer in adults. The histopathologic classification of RCC is essential for diagnosis, prognosis, and management of patients. Reorganization and classification of complex histologic patterns of RCC on biopsy and surgical resection slides under a microscope remains a heavily specialized, error-prone, and time-consuming task for pathologists. In this study, we developed a deep neural network model that can accurately classify digitized surgical resection slides and biopsy slides into five related classes: clear cell RCC, papillary RCC, chromophobe RCC, renal oncocytoma, and normal. In addition to the whole-slide classification pipeline, we visualized the identified indicative regions and features on slides for classification by reprocessing patch-level classification results to ensure the explainability of our diagnostic model. We evaluated our model on independent test sets of 78 surgical resection whole slides and 79 biopsy slides from our tertiary medical institution, and 69 randomly selected surgical resection slides from The Cancer Genome Atlas (TCGA) database. The average area under the curve (AUC) of our classifier on the internal resection slides, internal biopsy slides, and external TCGA slides is 0.98, 0.98 and 0.99, respectively. Our results suggest that the high generalizability of our approach across different data sources and specimen types. More importantly, our model has the potential to assist pathologists by (1) automatically pre-screening slides to reduce false-negative cases, (2) highlighting regions of importance on digitized slides to accelerate diagnosis, and (3) providing objective and accurate diagnosis as the second opinion.

研究の動機と目的

• デジタイズド全体スライド画像から腎細胞癌亜型を正確に分類できる深層ニューラルネットワークを開発すること。
• スライド上の組織学的に関連する領域を特定・可視化することで、モデルの解釈可能性を確保すること。
• 内部施設のスライドおよびThe Cancer Genome Atlas（TCGA）を含む多様なデータソースからの性能を評価すること。
• 診断ミスの低減とワークフローの高速化を支援する可能性を、病理医が利用できるようにすること。
• 生検および標本標本の両方におけるRCC診断に対して、客観的で自動化された第二診断意見を提供すること。

提案手法

• 生検および手術標本のスライドから得た全体スライド画像を用いて、深層畳み込みニューラルネットワーク（CNN）を訓練し、5つのRCC亜型（明細胞、乳頭状、クロモファブ、オキシコイトーマ、正常）を分類した。
• モデルは、小さな画像パッチを抽出して分類し、その後予測を集約して全体スライドの予測を生成するパッチベース分類戦略を採用した。
• パッチレベルの予測を再処理することで、分類意思決定に最も寄与する領域を強調するヒートマップを生成し、解釈可能性を実現した。
• モデルは、三次病院施設のデータを用いて訓練および検証し、同じ施設の78例の手術標本スライドおよび79例の生検スライドからなる独立セットでテストした。
• 一般化能を評価するために、The Cancer Genome Atlas（TCGA）データベースの69例の手術標本スライドを用いた外部検証を実施した。
• モデルの性能は、受信者操作特性曲線の下側面積（AUC）を用いて評価され、層別交差検証および独立テストセットが用いられた。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、デジタル化された生検および手術標本スライドから5つの主要な腎細胞癌亜型を高精度に分類できるか？
• RQ2 本モデルは、施設データおよびTCGAデータセットのような異なるデータソース間でどれほど一般化できるか？
• RQ3 本モデルの予測は、全体スライド上の注目領域を可視化することで、どの程度解釈可能になるか？
• RQ4 本モデルは、診断ミスの低減を支援する信頼できる第二診断意見として機能できるか？
• RQ5 本モデルは、全体スライド画像における診断的に関連する領域を強調することで、診断効率を向上させられるか？

主な発見

• 内部の手術標本スライドでは平均AUCが0.98を達成し、優れた識別性能を示した。
• 内部の生検スライドではAUCが0.98を達成し、より小さな、代表的でない組織標本に対しても強力な性能を示した。
• TCGAの69例の外部検証手術標本スライドを用いた外部検証では、AUCが0.99に達し、データセット間での高い一般化能を確認した。
• モデルは、スライド上での診断的に関連する領域を的確に同定・可視化でき、解釈可能性と臨床的信頼性を向上させた。
• 多様な標本タイプおよびデータソースにおける本モデルの性能は、強靭さと臨床応用の可能性を示唆している。
• 本結果は、本モデルが偽陰性の低減を目的とした事前スクリーニングツールとして、およびRCC診断における客観的な第二診断意見として利用可能であることを支持する。