[論文レビュー] Federated Learning for the Classification of Tumor Infiltrating Lymphocytes

Ujjwal Baid, Sarthak Pati+7 more|arXiv (Cornell University)|Mar 30, 2022

AI in cancer detection被引用数 11

ひとこと要約

本研究では、がん12種類にまたがるThe Cancer Genome Atlas（TCGA）の全スライド画像（WSI）から抽出したパッチを用いて、腫瘍浸潤リンパ球（TILs）を分類するためのフェデレーテッドラーニング（FL）の有効性を評価した。FLは中央集権的学習と同等の性能を達成し、データ共有なしに多施設連携による信頼性が高く汎用性のあるTIL分類モデルを構築できることが示された。この手法により、データの機微性が保たれる。

ABSTRACT

We evaluate the performance of federated learning (FL) in developing deep learning models for analysis of digitized tissue sections. A classification application was considered as the example use case, on quantifiying the distribution of tumor infiltrating lymphocytes within whole slide images (WSIs). A deep learning classification model was trained using 50*50 square micron patches extracted from the WSIs. We simulated a FL environment in which a dataset, generated from WSIs of cancer from numerous anatomical sites available by The Cancer Genome Atlas repository, is partitioned in 8 different nodes. Our results show that the model trained with the federated training approach achieves similar performance, both quantitatively and qualitatively, to that of a model trained with all the training data pooled at a centralized location. Our study shows that FL has tremendous potential for enabling development of more robust and accurate models for histopathology image analysis without having to collect large and diverse training data at a single location.

研究の動機と目的

• 全スライド画像におけるTIL分類のためのフェデレーテッドラーニングを、中央集権的学習の代替手段として、プライバシー保護の観点から評価すること。
• 生病理画像を共有せずに、中央集権的学習と同等の性能を示すモデルをFLで構築できるかどうかを評価すること。
• 多様ながん種にわたるデータの非同一性が、FLモデルの汎用性に与える影響を調査すること。
• 分散型連携を用いて、強固でパンがん向けのTIL検出モデルを訓練する可能性を実証すること。
• フェデレーテッド環境下での個別施設モデルとグローバルコンSENSUSモデルの性能を比較評価すること。

提案手法

• 本研究では、TCGAの1つ以上のがん種から得たデータを保有する8つの分散ノードを想定したフェデレーテッドラーニング環境をシミュレートした。
• 各ノードは、全スライド画像から抽出した50×50平方ミクロンのパッチ上で、VGG16ベースのディープラーニングモデルをローカルで学習させた。
• モデルの更新は、FedAvg（FedAvgアルゴリズム）を用いて中央集権的に集約され、生データを共有せずにグローバルコンセンサスモデルを形成した。
• 性能評価は、保持されたローカル検証データと、未学習のWSIにおける定性的分析を用いて行った。
• 性能ベンチマークとして、すべてのデータを用いて訓練された元の中央集権的VGG16モデルを用いた。
• TIL分類は、パッチにリンパ球が2個以上存在する（TIL陽性）か否か（TIL陰性）を予測するものとして定義された。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、全スライド画像におけるTIL検出で、中央集権的学習と同等の分類性能を達成できるか？
• RQ2 異なるがん種にわたるデータの非同一性は、フェデレーテッド環境下での個別施設モデルの性能にどのように影響するか？
• RQ3 フェデレーテッドラーニングで訓練されたグローバルコンセンサスモデルは、個別施設モデルよりもバランス精度が優れているか？
• RQ4 フェデレーテッドモデルが生成するTILヒートマップは、中央集権的モデルのものと定性的にどのように類似しているか？
• RQ5 フェデレーテッドラーニングは、限られたデータや不均衡なデータを持つ施設（例：後眼部メラノーマ（UVM））のモデル性能を効果的に向上させられるか？

主な発見

• フェデレーテッドコンセンサスモデルは、バランス分類精度89.4％を達成し、個別施設モデルの平均（85.7％）を上回った。
• TIL陽性パッチを一切含まないUVMのみを学習対象としたノード6は、ローカル検証セットで完璧な精度を達成し、陰性ケースに対するモデルの特異性が裏付けられた。
• フェデレーテッドモデルが生成したTILヒートマップは、中央集権的モデルのものと強く類似しており、優れた定性的整合性が示された。
• ノード7のモデルはTIL予測においてより慎重な傾向を示し、ローカルデータ分布がモデル行動に与える影響が顕著に現れた。
• ノード4およびノード8は、WSIの左側領域にTILが増加した類似したTILマップを生成した。これは、これらのノードにドメインシフトまたはデータバイアスが存在する可能性を示唆した。
• フェデレーテッドアプローチにより、UVMのような限られたデータを持つ施設も、グローバルな知識を活用でき、ローカル能力を超えたモデルの強靭性が向上した。