[論文レビュー] PECNet: A Deep Multi-Label Segmentation Network for Eosinophilic Esophagitis Biopsy Diagnostics

Nati Daniel, Ariel Larey+10 more|arXiv (Cornell University)|Mar 2, 2021

Eosinophilic Esophagitis被引用数 5

ひとこと要約

PECNet は、H&E染色された食道生検スライドにおける好酸球の検出および定量を自動化する深層畳み込みニューラルネットワークであり、好酸球性食道炎（EoE）の病態活動分類において98.5％の正確性を達成した。23名の患者から得た1億ピクセル以上のラベル付きピクセルを用いて学習し、419名の患者から得た1,089枚の全スライド画像で検証した結果、平均交差率（mIoU）は0.93、完全な細胞の定量における平均絶対誤差は0.611個の好酸球を示した。

ABSTRACT

Background. Eosinophilic esophagitis (EoE) is an allergic inflammatory condition of the esophagus associated with elevated numbers of eosinophils. Disease diagnosis and monitoring requires determining the concentration of eosinophils in esophageal biopsies, a time-consuming, tedious and somewhat subjective task currently performed by pathologists. Methods. Herein, we aimed to use machine learning to identify, quantitate and diagnose EoE. We labeled more than 100M pixels of 4345 images obtained by scanning whole slides of H&E-stained sections of esophageal biopsies derived from 23 EoE patients. We used this dataset to train a multi-label segmentation deep network. To validate the network, we examined a replication cohort of 1089 whole slide images from 419 patients derived from multiple institutions. Findings. PECNet segmented both intact and not-intact eosinophils with a mean intersection over union (mIoU) of 0.93. This segmentation was able to quantitate intact eosinophils with a mean absolute error of 0.611 eosinophils and classify EoE disease activity with an accuracy of 98.5%. Using whole slide images from the validation cohort, PECNet achieved an accuracy of 94.8%, sensitivity of 94.3%, and specificity of 95.14% in reporting EoE disease activity. Interpretation. We have developed a deep learning multi-label semantic segmentation network that successfully addresses two of the main challenges in EoE diagnostics and digital pathology, the need to detect several types of small features simultaneously and the ability to analyze whole slides efficiently. Our results pave the way for an automated diagnosis of EoE and can be utilized for other conditions with similar challenges.

研究の動機と目的

• EoE生検診断における好酸球数えの主観的で時間がかかる性質に対処するため。
• デジタル病理学における全スライド画像解析のためのスケーラブルで自動化されたソリューションを開発するため。
• 完全および破壊済みの好酸球を含む、複数の小さな細胞像の同時検出と定量を可能にするため。
• 多施設・多様な患者コhortを用いたモデルの妥当性を検証し、臨床的応用の強靭性を確保するため。
• 好酸球性食道炎の評価における診断のばらつきを低減し、再現性を向上させるため。

提案手法

• 23名のEoE患者から得た4,345枚の全スライド画像を用い、1億ピクセル以上を手動でラベル付けした。
• ネットワークは、完全な好酸球、非完全な好酸球、およびバックグラウンド組織を区別するマルチラベルセマンティックセグメンテーションを採用している。
• 多様なスライド調製法にわたるモデル一般化を向上させるために、データ拡張およびトランスファー学習技術が適用された。
• 複数の施設にまたがる419名の患者から得た1,089枚の全スライド画像を用いた再現性コホートでモデルを検証した。
• 推論は全スライドレベルで実施され、パッチベースの再構成を伴わず、効率的かつ包括的な解析が可能になった。
• モデルの性能は、セグメンテーション評価にはmIoU、病態分類評価には正確性、感度、特異性を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 H&E染色された食道生検スライドにおいて、深層学習モデルは完全および非完全な好酸球を正確にセグメンテーションできるか？
• RQ2 自動好酸球定量は、EoE診断における観察者間ばらつきをどの程度低減できるか？
• RQ3 多施設・マルチスキャナの全スライド画像データセットにおいて、モデルの一般化性能はどの程度高いか？
• RQ4 特別な染色を用いずに、H&E染色スライドのみを用いても、EoE病態活動分類に高い診断正確性を達成できるか？
• RQ5 完全な好酸球と劣化した好酸球の間の微細な形態的差異を検出する性能は、モデルでどの程度達成できるか？

主な発見

• PECNetは、完全および非完全な好酸球のセグメンテーションにおいて、平均交差率（mIoU）が0.93を達成した。
• モデルは、1スライドあたりの完全な好酸球の定量において、平均絶対誤差が0.611個と高く精度が保たれた。
• 検証コホートにおいて、PECNetはEoE病態活動分類において正確性94.8％、感度94.3％、特異度95.14％を示した。
• モデルはEoE病態活動分類において98.5％の正確性を達成し、強力な診断性能を示した。
• ネットワークは、多様な組織調製法にわたっても、高品質なセグメンテーション忠実度を維持しながら、全スライド画像を大規模に処理できた。
• 結果から、深層マルチラベルセグメンテーションが、EoE診断におけるデジタル病理学の主要な課題を効果的に解決できることが示唆された。