[論文レビュー] From Whole-slide Image to Biomarker Prediction: A Protocol for End-to-End Deep Learning in Computational Pathology

Omar S. M. El Nahhas, Marko van Treeck+10 more|arXiv (Cornell University)|Dec 18, 2023

AI in cancer detection被引用数 4

ひとこと要約

本稿では、全スライド画像（WSIs）と表形式データからがんバイオマーカーを直接予測する、バイオマーカーに依存しないエンドツーエンドのディープラーニングプロトコルであるSTAMPを提示する。このプロトコルは、ヒストパスロジー画像と遺伝的または臨床病理学的特徴を5段階のワークフローで統合し、大腸がんにおけるMSI-high状態の予測において高い正確性を達成した。オープンソースのコードを提供することで、臨床的および研究的現場でのグローバルな展開を可能にした。

ABSTRACT

Hematoxylin- and eosin (H&E) stained whole-slide images (WSIs) are the foundation of diagnosis of cancer. In recent years, development of deep learning-based methods in computational pathology enabled the prediction of biomarkers directly from WSIs. However, accurately linking tissue phenotype to biomarkers at scale remains a crucial challenge for democratizing complex biomarkers in precision oncology. This protocol describes a practical workflow for solid tumor associative modeling in pathology (STAMP), enabling prediction of biomarkers directly from WSIs using deep learning. The STAMP workflow is biomarker agnostic and allows for genetic- and clinicopathologic tabular data to be included as an additional input, together with histopathology images. The protocol consists of five main stages which have been successfully applied to various research problems: formal problem definition, data preprocessing, modeling, evaluation and clinical translation. The STAMP workflow differentiates itself through its focus on serving as a collaborative framework that can be used by clinicians and engineers alike for setting up research projects in the field of computational pathology. As an example task, we applied STAMP to the prediction of microsatellite instability (MSI) status in colorectal cancer, showing accurate performance for the identification of MSI-high tumors. Moreover, we provide an open-source codebase which has been deployed at several hospitals across the globe to set up computational pathology workflows. The STAMP workflow requires one workday of hands-on computational execution and basic command line knowledge.

研究の動機と目的

• 精巧な腫瘍学におけるH&E染色全スライド画像から、スケーラブルで正確なバイオマーカー予測を実現する挑戦に応えること。
• 計算病理学研究における臨床医とエンジニアを結ぶ、共同作業が可能な使いやすいワークフローを開発すること。
• ヒストパスロジー画像と遺伝的および臨床病理学的データの統合を可能にし、バイオマーカー予測の精度を向上させること。
• 再現可能でオープンソースのフレームワークを提供し、病院間での展開を可能にすること。

提案手法

• STAMPワークフローは5段階からなる：問題定義、データ前処理、モデリング、評価、臨床応用。
• WSIと表形式データ（例：遺伝的または臨床変数）を統合して特徴を共同で埋め込むためのディープラーニングモデルを活用する。
• 関心を寄せる組織領域に注目するためのアテンション機構を備えたエンドツーエンド学習を可能にする。
• 事前学習済みのビジョンモデルをWSIに適用し、特定のバイオマーカー予測タスクに微調整する。
• 計算リソースの負荷を最小限に抑え、基本的なコマンドライン操作スキルがあれば1日間の手作業作業で実行可能である。
• オープンソースのコードベースを提供し、複数の臨床機関での展開を可能にしている。

実験結果

リサーチクエスチョン

• RQ1 特殊な染色やアノテーションを必要とせず、H&E染色全スライド画像から複雑なバイオマーカーを正確に予測できる統合されたディープラーニングフレームワークは存在するか？
• RQ2 表形式の臨床的および遺伝的データを統合することで、画像のみのモデルと比較してバイオマーカー予測性能がどの程度向上するか？
• RQ3 標準化されたバイオマーカーに依存しないワークフローは、多様な臨床的および研究的環境でどの程度採用可能か？
• RQ4 通常のH&E染色全スライド画像のみを用いて、大腸がんにおけるMSI-high状態の同定に高い性能を発揮できるか？
• RQ5 STAMPワークフローは、実際の病院環境においてどの程度スケーラブルで再現可能か？

主な発見

• STAMPフレームワークは、H&E染色全スライド画像と表形式データのみを用いて、大腸がんにおけるMSI-high状態の予測で高い正確性を達成した。
• 複数の機関にわたり、モデルの汎用性と臨床現場への適用可能性が裏付けられた。
• ワークフローは1日間の手作業計算時間と基本的なコマンドラインスキルで実行可能であり、広範なアクセス性を実現した。
• オープンソースのコードベースは世界中の複数の病院に成功裏に展開され、実世界での有用性が確認された。
• 表形式データの統合により、画像のみのベースラインと比較して予測性能が顕著に向上した。
• フレームワークはバイオマーカーに依存しないため、最小限の再設定でさまざまながん種やバイオマーカーに適応可能である。