[論文レビュー] Learning a low dimensional manifold of real cancer tissue with PathologyGAN

Adalberto Claudio Quiros, Roderick Murray‐Smith+1 more|arXiv (Cornell University)|Apr 13, 2020

AI in cancer detection参考文献 32被引用数 5

ひとこと要約

この論文では、PathologyGANから得たトレーニング済みエンコーダーを用いて、実際のがん組織画像を解釈可能な低次元の潜在空間にマップする深層生成モデル、PathologyGAN-Encoderを提案する。この手法は、がん細胞、リンパ球、間質の密度といった組織形態の分離された表現を学習し、高リスク患者において明確なクラスタを示す。また、潜在空間は5年生存状況と整合性を持つ。

ABSTRACT

Application of deep learning in digital pathology shows promise on improving disease diagnosis and understanding. We present a deep generative model that learns to simulate high-fidelity cancer tissue images while mapping the real images onto an interpretable low dimensional latent space. The key to the model is an encoder trained by a previously developed generative adversarial network, PathologyGAN. We study the latent space using 249K images from two breast cancer cohorts. We find that the latent space encodes morphological characteristics of tissues (e.g. patterns of cancer, lymphocytes, and stromal cells). In addition, the latent space reveals distinctly enriched clusters of tissue architectures in the high-risk patient group.

研究の動機と目的

• 臨床的ラベルを必要とせずに、形態的組織特徴を捉える教師なし表現学習フレームワークを、デジタル病理学に開発すること。
• 実際のがん組織画像（H&E染色）を、生物学的に意味のある組織構造を保持する低次元の潜在空間にマッピングすること。
• 潜在空間が腫瘍微小環境の不均一性や患者の生存予後といった臨床的関連特徴をエンコードしているかどうかを調査すること。
• 潜在空間が、高リスク患者群に関連する明確な組織構造クラスタを明らかにしているかどうかを示すこと。
• 画像合成と表現学習を両立できる解釈可能な生成モデルとして、トレーニング済みエンコーダーを備えたデジタル病理学用のモデルを提供すること。

提案手法

• BigGANとStyleGANに基づく条件付きGANであるPathologyGANを、分離可能な潜在表現を持つ高精細のがん組織画像を生成できるように適応する。
• 実際の組織画像を生成器の潜在空間にマップするトレーニング可能なエンコーダーネットワークを導入し、生成器の逆関数として機能させる。
• 事前にトレーニングされた生成器から得られる adversarial 目的を用いてエンコーダーを訓練し、形態的特徴を保持する潜在コードの再構成を可能にする。
• 中間解像度で残差ブロックとAdaIN正規化、および注意機構（attention layers）を用いて、生成器と識別器における特徴表現を強化する。
• エンコーダーの潜在空間を200次元に設定し、組織形態のコンactかつ情報豊富な表現を可能にする。
• ネットワーク全体に特徴ごとの変換（feature-wise transformations）と leaky ReLU（LeakyReLU 0.2）を適用し、学習の安定化と特徴学習の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 トレーニング済みエンコーダーは、生物学的に関連する形態的特徴を捉える低次元の潜在空間に、実際のがん組織画像をマップできるか？
• RQ2 学習された潜在空間は、がん細胞密度、リンパ球浸潤、間質構造といった主要な組織特徴を分離しているか？
• RQ3 5年生存状況に基づく高リスク患者群に対応する、潜在空間における明確なクラスタが存在するか？
• RQ4 潜在空間は、長期生存者と短期生存者群の間で組織構造の形態的差異を明らかにできるか？
• RQ5 明示的な教師信号を必要とせずに、潜在空間が臨床的に意味のあるパターンをどれほど保持しているか？

主な発見

• エンコーダーは、がん細胞、リンパ球、間質細胞の密度といった形態的特徴をエンコードする200次元の潜在空間に、実際のがん組織画像（H&E染色）を効果的にマップした。
• 潜在空間の分析から、臨床的生存予後と整合する高リスク患者群に対応する明確で濃縮されたクラスタが明らかになった。
• モデルは、5年未満で生存した患者とそれ以上に生存した患者の間で、組織形態の密度差を捉えており、先行する臨床的知見と整合的である。
• 潜在空間は組織構造的特徴の分離を示しており、解釈可能なクラスタリングと表現学習を可能にした。
• フレームワークは、ラベルなしで組織構造の定量的評価を可能にし、アノテーションなしで生物学的に意味のあるパターンを明らかにした。
• PathologyGAN-Encoderモデルは、高精細な組織画像生成を達成し、デジタル病理学における後続分析のための堅牢で解釈可能な表現を提供した。