[論文レビュー] HistoCartography: A Toolkit for Graph Analytics in Digital Pathology

Guillaume Jaume, Pushpak Pati+3 more|arXiv (Cornell University)|Jul 21, 2021

AI in cancer detection参考文献 28被引用数 10

ひとこと要約

HistoCartography は、画像前処理、エンティティグラフ構築、GNN に基づく学習、説明可能性ツールを統合することで、計算病理学におけるグラフ解析を標準化するオープンソースの Python ツールキットです。組織の構成分析に向けた効率的で再現可能なワークフローを可能にし、幅広いヒストパスロジー データセットにおいて分類およびセグメンテーションタスクで最先端のパフォーマンスを達成しています。また、大規模なウェルスライド画像においてもリアルタイムでの推論が可能です。

ABSTRACT

Advances in entity-graph based analysis of histopathology images have brought in a new paradigm to describe tissue composition, and learn the tissue structure-to-function relationship. Entity-graphs offer flexible and scalable representations to characterize tissue organization, while allowing the incorporation of prior pathological knowledge to further support model interpretability and explainability. However, entity-graph analysis requires prerequisites for image-to-graph translation and knowledge of state-of-the-art machine learning algorithms applied to graph-structured data, which can potentially hinder their adoption. In this work, we aim to alleviate these issues by developing HistoCartography, a standardized python API with necessary preprocessing, machine learning and explainability tools to facilitate graph-analytics in computational pathology. Further, we have benchmarked the computational time and performance on multiple datasets across different imaging types and histopathology tasks to highlight the applicability of the API for building computational pathology workflows.

研究の動機と目的

• 計算病理学におけるエンティティグラフベースの解析に向けた標準化され、再利用可能なツールの不足に対処すること。
• 単一の API で前処理、グラフ構築、GNN モデリング、説明可能性を統合することで、グラフベースの手法の採用に向けた技術的障壁を低減すること。
• 研究者が低レベルのコンponents を再発明することなく、再現可能でスケーラブルなワークフローを構築できるようにすること。
• 複数のヒストパスロジー タスクおよび画像モダリティにおいて、グラフベースのアプローチのパフォーマンスと計算効率をベンチマークすること。
• 病理医にやさしい説明手法（例：GraphGradCAM）を統合することで、モデルの解釈可能性を向上させること。

提案手法

• ツールキットは、ウェルスライド画像のための画像前処理（例：染色正規化、組織検出）およびパッチ抽出を統合した標準化された Python API を提供する。
• エンティティグラフは、核またはスーパーピクセルベースのセグメンテーションを用いて構築され、ノードは生物学的エンティティを表し、エッジは k-NN または空間的近接性によって定義される。
• ノード特徴量は、エンティティの中心に位置する $224 \times 224$ パッチを用いて事前学習された ResNet34 から抽出され、移譲可能な表現が保証される。
• グラフトポロジーは、$k=5$ のしきい値付き k-NN を用い、50 ピクセルの距離しきい値を設定することで空間的関連性を確保する。
• 分類およびセグメンテーションの目的で、PNA および GIN レイヤーを用いた CG-GNN、TG-GNN、HACT-Net、SegGini などの GNN モデルが、64 または 128 個の隠れユニットで実装されている。
• 説明可能性は、トレーニング済みの GNN に対して後処理特徴の帰属を用いてノードレベルの重要度マップを計算する GraphGradCAM を通じて実現される。

実験結果

リサーチクエスチョン

• RQ1 統合的でオープンソースの Python ツールキットは、グラフベースの計算病理学ワークフローの開発を容易にできるか？
• RQ2 HistoCartography におけるグラフベースのモデルのパフォーマンスは、多様なヒストパスロジー タスクおよび画像タイプにおいてどのように比較されるか？
• RQ3 このツールキットは、倍率やサイズが異なる大規模なウェルスライド画像において、リアルタイム推論をどの程度サポートできるか？
• RQ4 病理医が解釈可能な説明を提供するグラフベースのモデルは、診断タスクにおいて従来の CNN ベースのアプローチを上回る性能を示せるか？
• RQ5 生物学的知識（例：核、腺）の統合は、モデルの解釈可能性と臨床的妥当性をどの程度向上させるか？

主な発見

• HACT-Net を用いた BRACS データセットにおける腫瘍分類タスクで、重み付き F1 スコア 61.5±0.9 を達成し、ベースラインモデルを上回った。
• BACH データセットでは、重み付き F1 が 90.7±0.5 を記録し、腫瘍領域（TRoI）入力において乳がん分類で優れた性能を示した。
• 前立腺がんセグメンテーションにおいて、SegGini は TMA 画像で Dice スコア 66.0±3.1、UZH および SICAPv2 データセットのウェルスライド画像で 44.3±2.0 を達成した。
• 最大 $121 \times 10^6$ ピクセルのグラフにおいて、ほぼリアルタイムでの推論が可能であり、ウェルスライド画像全体にわたるスケーラビリティを実証した。
• GraphGradCAM は、1 枚の画像あたり最も重要な 10 個の核を強調することで、病理医が理解しやすい説明を提供し、モデルの透明性を向上させた。
• ベンチマーク結果から、GNN を用いたエンティティグラフは、組織の構成を効果的にモデル化でき、複数のタスクで従来の CNN ベースのアプローチを上回ることが確認された。