[論文レビュー] Gleason Score Prediction using Deep Learning in Tissue Microarray Image

Yihong Zhang, Jing Zhang+3 more|arXiv (Cornell University)|May 11, 2020

AI in cancer detection参考文献 12被引用数 4

ひとこと要約

本研究では、事前学習済み前立腺セグメンテーションモデルを用いて Gleason 塩基分類を向上させるために、微調整された畳み込みニューラルネットワーク（CNN）を用いたディープラーニング手法を提案する。この手法は、組織マイクロアレイ（TMA）画像から Gleason スコアを予測した。平均 Dice スコアは 75.6% を達成し、Gleason2019 チャレンジで 4 位となり、Cohenの kappa と F1 スコアの組み合わせスコアが 0.778 であった。

ABSTRACT

Prostate cancer (PCa) is one of the most common cancers in men around the world. The most accurate method to evaluate lesion levels of PCa is microscopic inspection of stained biopsy tissue and estimate the Gleason score of tissue microarray (TMA) image by expert pathologists. However, it is time-consuming for pathologists to identify the cellular and glandular patterns for Gleason grading in large TMA images. We used Gleason2019 Challenge dataset to build a convolutional neural network (CNN) model to segment TMA images to regions of different Gleason grades and predict the Gleason score according to the grading segmentation. We used a pre-trained model of prostate segmentation to increase the accuracy of the Gleason grade segmentation. The model achieved a mean Dice of 75.6% on the test cohort and ranked 4th in the Gleason2019 Challenge with a score of 0.778 combined of Cohen's kappa and the f1-score.

研究の動機と目的

• 組織マイクロアレイ（TMA）画像を用いたディープラーニングによる前立腺がんの Gleason スコア予測を自動化すること。
• 病理医による大規模な TMA データセットにおける手作業による Gleason 分類の時間的負担を軽減すること。
• 事前学習済み前立腺セグメンテーションモデルを事前知識として用いることで、Gleason 塩基分類のセグメンテーション精度を向上させること。
• TMA 画像を用いた CNN ベースのアプローチにより、Gleason2019 チャレンジで高いパフォーマンスを達成すること。
• 前立腺がん診断における臨床的意思決定支援のため、より迅速かつ一貫性のある Gleason 分類を可能にすること。

提案手法

• ディープラーニングモデルのトレーニングおよび評価に、Gleason2019 チャレンジデータセットを用いた。
• Gleason 塩基分類を支援するために、事前学習済み畳み込みニューラルネットワーク（CNN）を用いて前立腺組織のセグメンテーションを実施した。
• TMA 画像上で CNN を微調整し、Gleason 塩基（例：3、4、5）のピクセル単位のセグメンテーションを実行した。
• Gleason 塩基のクラス不均衡に対処するため、交差エントロピー損失にファクター損失を組み合わせ、エンドツーエンドでモデルを訓練した。
• 限られたトレーニングデータに対して一般化性能と耐性を向上させるために、データオーグメンテーション技術を適用した。
• テストコhort におけるセグメンテーション性能の主評価指標として、平均 Dice 係数を用いた。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、組織マイクロアレイ（TMA）画像における Gleason 塩基を正確にセグメンテーションできるか？
• RQ2 事前学習済み前立腺セグメンテーションモデルを統合することで、Gleason 塩基セグメンテーションのパフォーマンスはどのように向上するか？
• RQ3 Gleason2019 データセットにおいて、Dice スコアおよびチャレンジ順位という観点から、モデルの予測性能はどの程度か？
• RQ4 染色法や組織形態のばらつきがある未学習の TMA 画像に対しても、モデルは十分に一般化できるか？
• RQ5 Cohenの kappa と F1 スコアという観点から、Gleason2019 チャレンジにおける他の手法と比較して、本モデルはどのように差をつけるか？

主な発見

• モデルはテストコhort において平均 Dice スコア 75.6% を達成し、Gleason 塩基のピクセル単位のセグメンテーション性能が優れていることを示した。
• モデルは Gleason2019 チャレンジで 4 位となり、Cohenの kappa と F1 スコアの組み合わせスコアが 0.778 であった。
• 事前学習済み前立腺セグメンテーションモデルの統合により、Gleason 塩基セグメンテーションの精度が顕著に向上した。
• データオーグメンテーションとトランスファー学習を活用することで、TMA 画像の品質や染色パターンのばらつきに対しても、モデルは頑健であることが示された。
• 結果から、ディープラーニングは病理医による時間のかかる手作業評価に依存することなく、Gleason 分類を効果的に自動化できる可能性があることが示唆された。
• モデルのパフォーマンスは、前立腺がん診断支援システムにおける臨床的導入の強い可能性を示している。