[論文レビュー] Multi-Organ Cancer Classification and Survival Analysis

Stefan Bauer, Nicolas Carion+4 more|arXiv (Cornell University)|Jun 2, 2016

Radiomics and Machine Learning in Medical Imaging参考文献 2被引用数 8

ひとこと要約

本論文は、腎細胞癌（RCC）および前立腺癌（PCa）の多臓器がん細胞核分類のための深層畳み込みニューラルネットワーク（ResNet）フレームワークを提案する。両データセットを統合して訓練することで分類精度と生存予測性能を向上させる。本手法は最先端の性能を達成し、RCCとPCaの両方のデータを統合して訓練したResNet18は、生存予測分析において病理医を上回った（p = 0.006）。臓器間で特徴が転送可能であることが示された。

ABSTRACT

Accurate and robust cell nuclei classification is the cornerstone for a wider range of tasks in digital and Computational Pathology. However, most machine learning systems require extensive labeling from expert pathologists for each individual problem at hand, with no or limited abilities for knowledge transfer between datasets and organ sites. In this paper we implement and evaluate a variety of deep neural network models and model ensembles for nuclei classification in renal cell cancer (RCC) and prostate cancer (PCa). We propose a convolutional neural network system based on residual learning which significantly improves over the state-of-the-art in cell nuclei classification. Finally, we show that the combination of tissue types during training increases not only classification accuracy but also overall survival analysis.

研究の動機と目的

• デジタル病理学における細胞核分類のための頑健な深層学習モデルの開発。
• 共有特徴を用いて、異なるがん種（RCCとPCa）間の知識転送の調査。
• 分類精度および生存予測性能への統合学習の影響の評価。
• 今後の研究のための公開可能なベンチマーク（コード、データセット、生存データを含む）の提供。

提案手法

• RCCおよびPCaの組織マイクロアレイから得た78×78の核パッチを用いて、ResNet18およびResNet34をスクラッチから訓練。
• 一般化性能を向上させるために、ランダムスケーリング、回転、反転、色のずれを含むデータ拡張技術を適用。
• 二クラス（悪性／良性）および四クラス（臓器特異的）の設定において、RCCおよびPCaのデータを統合して訓練。
• 検証およびテストセットにおける精度、再現率、F1スコア、サポート指標を用いてモデル性能を評価。
• カプラン＝マイヤー推定法およびログランク検定を用いて生存解析を実施し、モデル予測と病理医の評価を比較。
• 計算制約および小規模なサンプルサイズのため、シングルフォールド交差検証を実施。

実験結果

リサーチクエスチョン

• RQ1 一つのがん種で訓練した深層ニューラルネットワークが、他のがん種に一般化可能であるか。これは臓器間で共有される特徴があることを示唆するか？
• RQ2 複数の臓器種で統合学習を実施することで、分類精度および生存予測性能が向上するか？
• RQ3 限られたラベル付きデータを有する小規模な病理学的データセットにおいて、異なるネットワークアーキテクチャ（例：ResNet18対ResNet34）の性能はいかが？
• RQ4 アンサンブルモデルおよびデータ拡張は、小規模で専門家ラベルが限られた病理学的データセットにおいて、性能を顕著に向上させるか？
• RQ5 統合学習は、臓器特異的学習よりも優れた生存予測性能を達成するか？

主な発見

• RCCとPCaの両方のデータを統合して訓練したResNet18は、PCaで100%の精度、RCCで80%の精度を達成し、個別臓器での学習を上回った。
• 統合学習アプローチにより生存解析性能が向上し、ResNet18はログランク検定でp値0.006を達成。病理医（p = 0.038）を上回った。
• 統合データセットにおいて、ResNet18はResNet34よりも優れた性能を示し、より少ない複雑性で良好な一般化性能を示した。
• 二クラス分類（2臓器×2クラス）と四クラス分類の比較では、四クラス分類が性能向上をもたらさなかった。これは臓器間で共有される特徴があることを示唆する。
• データ拡張は、特にラベルが限られた小規模なデータセットにおいて、モデルの頑健性を顕著に向上させた。
• 本研究で提示されたフレームワーク（コードおよびデータセットを含む）は、今後の計算病理学研究の包括的ベンチマークを提供する。