[論文レビュー] HistomicsML2.0: Fast interactive machine learning for whole slide imaging data

Sanghoon Lee, Mohamed Amgad+7 more|arXiv (Cornell University)|Jan 30, 2020

AI in cancer detection参考文献 9被引用数 11

ひとこと要約

HistomicsML2.0 は、例による学習アプローチを用いて、非専門家研究者が迅速に畳み込みニューラルネットワーク分類器をトレーニングできる、高速でインタラクティブな機械学習プラットフォームを提供する。このシステムはウェブベースのインターフェースを備え、コンテナ化されたデプロイメントをサポートしており、最小限のアルゴリズム的熟練を要するが、組織病理学画像における迅速な表型パターン検出を可能にする。

ABSTRACT

Extracting quantitative phenotypic information from whole-slide images presents significant challenges for investigators who are not experienced in developing image analysis algorithms. We present new software that enables rapid learn-by-example training of machine learning classifiers for detection of histologic patterns in whole-slide imaging datasets. HistomicsML2.0 uses convolutional networks to be readily adaptable to a variety of applications, provides a web-based user interface, and is available as a software container to simplify deployment.

研究の動機と目的

• 生物学・病理学者が機械学習の専門知識を持たずに画像解析ツールにアクセスできないという課題に対処すること。
• 全スライド画像における迅速でインタラクティブなモデルトレーニングを可能にすることで、定量的組織病理学解析へのアクセス障壁を低減すること。
• カスタムアルゴリズム開発を必要とせず、全スライド画像データセットにおける組織学的パターン検出のためのスケーラブルで使いやすいソリューションを提供すること。
• ソフトウェアコンテナ化と標準化されたウェブインターフェースを通じて、デプロイと再現性を促進すること。
• 畳み込みネットワークの柔軟性を活かし、さまざまな組織表型および画像モダリティに適応可能な、多様な組織病理学的応用を支援すること。

提案手法

• 全スライド画像からの特徴抽出と分類に、畳み込みニューラルネットワーク（CNN）を学習アーキテクチャのコアとして使用する。
• ユーザーが関心領域をラベル付けすることでモデルをインタラクティブにトレーニングする例による学習（learn-by-example）パラダイムを採用し、コードを書く必要がない。
• ラベル付け、モデルトレーニング、結果の可視化を容易にするウェブベースのグラフィカルユーザーインターフェース（GUI）を提供することで、使いやすさを向上させる。
• 実行環境にかかわらず一貫性があり、再現可能で、簡単にデプロイ可能な実行を保証するため、ソフトウェアコンテナ（例：Docker）としてシステムをデプロイする。
• 大規模な組織学的スライドを処理するため、効率的なパッチベース処理を通じて全スライド画像データと統合する。
• トレーニング中にリアルタイムフィードバックを提供し、ユーザーが能動的ラベリングを通じて繰り返しモデル性能を改善できるようにする。

実験結果

リサーチクエスチョン

• RQ1 非専門家ユーザーは、コードを書かず、モデルアーキテクチャの理解なしに、組織学的パターン検出のためのディープラーニングモデルをトレーニングできるか？
• RQ2 ウェブベースでインタラクティブなシステムは、全スライド画像のためのカスタム分類器の開発をどの程度迅速化できるか？
• RQ3 コンテナ化されたデプロイメントは、病理学における機械学習ツールの再現性とアクセス性をどの程度向上させるか？
• RQ4 リアルタイムでインタラクティブな環境において、ユーザーがラベル付けしたトレーニングデータの増加に伴い、モデルの性能はどの程度スケーリングするか？
• RQ5 最小限の設定で、多様な組織病理学的応用にこのシステムを適応できるか？

主な発見

• HistomicsML2.0 は、ユーザーがラベル付けするデータを最小限に抑えても、全スライド画像のためのディープラーニングモデルの迅速でインタラクティブなトレーニングを可能にする。
• ウェブベースのインターフェースにより、非専門家ユーザーがプログラミングやディープラーニングの専門知識がなくても、リアルタイムでモデルをトレーニングおよび評価できる。
• コンテナ化されたデプロイメントにより、さまざまなコンピューティング環境で一貫したパフォーマンスと再現性が保証される。
• CNNベースのアーキテクチャのおかげで、多様な組織学的パターンおよび画像モダリティへの高い適応性を示している。
• このプラットフォームは、病理学研究におけるカスタム画像解析パイプラインの開発に伴う時間的・技術的障壁を顕著に低減している。
• 能動的ラーニングと繰り返しラベリングの統合により、最小限のユーザー入力でモデルの精度が向上し、モデル開発の効率性が向上している。