[論文レビュー] OncoPetNet: A Deep Learning based AI system for mitotic figure counting on H&E stained whole slide digital images in a large veterinary diagnostic lab setting.

Michael Fitzke, Derick Whitley+8 more|arXiv (Cornell University)|Aug 17, 2021

AI in cancer detection参考文献 39被引用数 5

ひとこと要約

OncoPetNet は、高スループットの獣医臨床病理診断環境において、H&E染色全スライド画像における有糸分裂像の自動計数を実現する深層学習システムである。1スライドあたり0.27分のリアルタイムで専門家水準の性能を達成し、人間の専門家と比較して21.9％の症例で腫瘍グレーディングが変更された。

ABSTRACT

Background: Histopathology is an important modality for the diagnosis and management of many diseases in modern healthcare, and plays a critical role in cancer care. Pathology samples can be large and require multi-site sampling, leading to upwards of 20 slides for a single tumor, and the human-expert tasks of site selection and and quantitative assessment of mitotic figures are time consuming and subjective. Automating these tasks in the setting of a digital pathology service presents significant opportunities to improve workflow efficiency and augment human experts in practice. Approach: Multiple state-of-the-art deep learning techniques for histopathology image classification and mitotic figure detection were used in the development of OncoPetNet. Additionally, model-free approaches were used to increase speed and accuracy. The robust and scalable inference engine leverages Pytorch's performance optimizations as well as specifically developed speed up techniques in inference. Results: The proposed system, demonstrated significantly improved mitotic counting performance for 41 cancer cases across 14 cancer types compared to human expert baselines. In 21.9% of cases use of OncoPetNet led to change in tumor grading compared to human expert evaluation. In deployment, an effective 0.27 min/slide inference was achieved in a high throughput veterinary diagnostic pathology service across 2 centers processing 3,323 digital whole slide images daily. Conclusion: This work represents the first successful automated deployment of deep learning systems for real-time expert-level performance on important histopathology tasks at scale in a high volume clinical practice. The resulting impact outlines important considerations for model development, deployment, clinical decision making, and informs best practices for implementation of deep learning systems in digital histopathology practices.

研究の動機と目的

• H&E染色全スライド画像における自動有糸分裂像計数のスケーラブルな深層学習システムの開発を目的とする。
• 臨床病理診断プロセスにおける手作業による有糸分裂像計数の時間食いおよび主観的性質の是正を目的とする。
• 高スループットでマルチサイトにまたがる獣医臨床診断ラボ環境にシステムを導入することを目的とする。
• AIが腫瘍グレーディングの正確性およびワークフロー効率に与える影響を評価することを目的とする。
• 実世界のデジタル病理環境における深層学習の導入に向けたベストプラクティスの確立を目的とする。

提案手法

• 全スライド画像分類および有糸分裂像検出に、最先端の深層学習モデルを活用した。
• PyTorchのパフォーマンス向上技術とモデルフリー最適化手法を組み合わせ、推論速度を向上させた。
• 複数の臨床施設にまたがるリアルタイム配備に適した、堅牢でスケーラブルな推論エンジンを実装した。
• 14種の癌タイプにまたがる14の獣医臨床診断センターから得た3,323枚の全スライド画像の大型データセットを用いて学習した。
• ボード資格を持つ病理医が有糸分裂像をアノテートし、モデル予測の妥当性を検証した。
• スライド分類と有糸分裂像検出を2段階のタスクとして統合することで、精度と効率を向上させた。

実験結果

リサーチクエスチョン

• RQ1 深層学習システムは、実世界の高スループットな獣医病理診断環境において、専門家水準の有糸分裂像計数性能を達成できるか？
• RQ2 AIを用いた有糸分裂像計数は、人間の専門家のばらつきおよび一貫性と比較してどうなるか？
• RQ3 臨床的デジタル病理ワークフローにおけるスケーラブルでリアルタイムなAIの導入を可能にする技術的・運用的戦略は何か？
• RQ4 AI統合が、人間の評価と比較して臨床的意思決定、特に腫瘍グレーディングにどの程度影響を与えるか？
• RQ5 正確性を超えて、再現性や一般化可能性を含めた臨床病理分野におけるAIシステムの導入に向けた主な考慮事項は何か？

主な発見

• OncoPetNet は、1日3,323枚の全スライド画像を処理する高スループット環境において、1スライドあたり0.27分の推論時間を達成した。
• 14種の腫瘍タイプにまたがる41例の症例において、人間の専門家ベースラインと比較して、有糸分裂像計数性能が顕著に向上した。
• 21.9％の症例で、AIシステムは人間の専門家評価と比較して腫瘍グレーディングを変更した。
• 本システムは、臨床現場におけるスケールで、専門家水準の有糸分裂像計数をリアルタイムで実現した初の成功事例である。
• モデルの導入により、ワークフロー効率が向上し、有糸分裂像評価の主観性が低減された。臨床的意思決定に強く影響を与える可能性を示した。
• 本研究は、デジタル病理分野におけるモデル開発、導入、ワークフロー統合に関する貴重な知見を提供した。