[論文レビュー] Identifying Metastases in Sentinel Lymph Nodes with Deep Convolutional Neural Networks

Richard J. Chen, Yating Jing+1 more|arXiv (Cornell University)|Aug 4, 2016

AI in cancer detection参考文献 4被引用数 10

ひとこと要約

本研究では、染色補正を施した全スライド画像（WSI）と微調整されたAlexNetを用いた深層学習フレームワークを提案し、セントラルリンパ節の転移巣を検出する手法を検討した。染色補正とタイルベースの畳み込みニューラルネットワーク分類を適用することで、スライドベースの評価において感度96%、特異度89%、AUC 0.90を達成し、施設特有のキャリブレーションを必要とせずに、さまざまな染色プロトコルにわたる堅牢な一般化性能を示した。

ABSTRACT

Metastatic presence in lymph nodes is one of the most important prognostic variables of breast cancer. The current diagnostic procedure for manually reviewing sentinel lymph nodes, however, is very time-consuming and subjective. Pathologists have to manually scan an entire digital whole-slide image (WSI) for regions of metastasis that are sometimes only detectable under high resolution or entirely hidden from the human visual cortex. From October 2015 to April 2016, the International Symposium on Biomedical Imaging (ISBI) held the Camelyon Grand Challenge 2016 to crowd-source ideas and algorithms for automatic detection of lymph node metastasis. Using a generalizable stain normalization technique and the Proscia Pathology Cloud computing platform, we trained a deep convolutional neural network on millions of tissue and tumor image tiles to perform slide-based evaluation on our testing set of whole-slide images images, with a sensitivity of 0.96, specificity of 0.89, and AUC score of 0.90. Our results indicate that our platform can automatically scan any WSI for metastatic regions without institutional calibration to respective stain profiles.

研究の動機と目的

• セントラルリンパ節の全スライド画像における転移巣の自動検出を目的とした一般化可能な深層学習モデルの開発。
• 病理医による全スライド画像（WSI）の手動レビューにおける主観的バイアスと時間的負担を低減すること。
• 強力な染色補正技術により、施設間での染色ばらつきを解消すること。
• AlexNetを用いたトランスファー学習アプローチにより、高精度なスライドベース分類を達成すること。
• 局所的な染色プロファイルに再キャリブレーションを必要とせずに、多様なデジタル病理学プラットフォームへの展開を可能にすること。

提案手法

• 前処理では、HSVカラー空間変換を用いた組織セグメンテーション、中央値ブラー処理、および飽和チャンネルにおけるオツーの二値化を実施し、背景から組織領域を分離した。
• 各256×256タイルに、一般化可能な手法を用いて染色補正を適用し、元の画像をターゲットの染色プロファイルに一致させ、施設間のばらつきを低減した。
• 256×256タイル上で微調整されたAlexNetモデルを学習し、過学習を防ぐためにランダムな224×224ピクセルのパッチ抽出と水平反転をデータ増強に用いた。
• 腫瘍確率ヒートマップは、WSIピラミッドのレベル4で生成され、レベル0のタイルからの予測をマッピングすることで、計算効率と可視化を実現した。
• スライドレベル分類のため、腫瘍確率ヒートマップから抽出した幾何学的および形状的特徴量を用いてランダムフォレスト分類器を学習した。
• 270枚のWSIをカマイロン2016トレーニングセットから取得し、60-20-20のトレーニング-バリデーション-テスト分割を実施した。

実験結果

リサーチクエスチョン

• RQ1 施設特有のキャリブレーションを必要とせずに、深層学習モデルがセントラルリンパ節の全スライド画像における転移巣を高い感度と特異度で検出できるか。
• RQ2 染色補正は、さまざまな染色プロトコルにわたる深層学習モデルの一般化性能と性能にどのように影響するか。
• RQ3 タイルベース分類とヒートマップ後処理を組み合わせることで、スライドレベルの診断精度がどの程度向上するか。
• RQ4 AlexNetを用いたトランスファー学習アプローチは、低コントラストで高解像度のWSIデータにおける転移パターンを効果的に検出できるか。
• RQ5 腫瘍確率ヒートマップから抽出した形状的および統計的特徴量の統合は、生のモデル出力よりもスライドレベル分類をどのように向上させるか。

主な発見

• 染色補正により、タイルベース分類の正確性が92.7%から96.6%に向上し、染色に起因するモデルバイアス低減の重要性が示された。
• 最終的なスライドベース評価では、感度0.96、特異度0.89、AUCスコア0.90を達成し、強力な診断性能を示した。
• 個々の施設の染色特性に再キャリブレーションを必要とせずに、さまざまな染色プロファイルに一般化した。
• WSIピラミッドのレベル4で生成された腫瘍確率ヒートマップにより、最小限の計算負荷で効率的かつスケーラブルなスライドレベル推論が可能になった。
• 平均確率、分散、腫瘍領域数などの特徴量を用いて学習したランダムフォレスト分類器は、生のモデル出力よりもスライドレベル分類を顕著に向上させた。
• 本フレームワークは、病理医の作業負荷を軽減しながらも高い診断正確性を維持できるため、臨床的展開の可能性を示した。