[論文レビュー] Plexus Convolutional Neural Network (PlexusNet): A novel neural network architecture for histologic image analysis

Okyaz Eminağa, Mahmoud Abbas+6 more|arXiv (Cornell University)|Aug 23, 2019

AI in cancer detection被引用数 4

ひとこと要約

PlexusNetは、病理組織画像解析を目的とした新規で軽量な畳み込みニューラルネットワークアーキテクチャであり、パラメータ数を著しく削減しながらも、最先端の分類性能を達成している。より大きなモデルに比べてキャリブレーション性能と臨床的有用性に優れ、前立腺がんのAUCは0.963、乳がん転移の検出では0.978を達成しており、ResNet18に比べて最大200倍も小さい。

ABSTRACT

Different convolutional neural network (CNN) models have been tested for their application in histological image analyses. However, these models are prone to overfitting due to their large parameter capacity, requiring more data or valuable computational resources for model training. Given these limitations, we introduced a novel architecture (termed PlexusNet). We utilized 310 Hematoxylin and Eosin stained (H&E) annotated histological images of prostate cancer cases from TCGA-PRAD and Stanford University and 398 H&E whole slides images from the Camelyon 2016 challenge. PlexusNet-architecture -derived models were compared to models derived from several existing "state of the art" architectures. We measured discrimination accuracy, calibration, and clinical utility. An ablation study was conducted to study the effect of each component of PlexusNet on model performance. A well-fitted PlexusNet-based model delivered comparable classification performance (AUC: 0.963) in distinguishing prostate cancer from healthy tissues, although it was at least 23 times smaller, had a better model calibration and clinical utility than the comparison models. A separate smaller PlexusNet model accurately detected slides with breast cancer metastases (AUC: 0.978); it helped reduce the slide number to examine by 43.8% without consequences, although its parameter capacity was 200 times smaller than ResNet18. We found that the partitioning of the development set influences the model calibration for all models. However, with PlexusNet architecture, we could achieve comparable well-calibrated models trained on different partitions. In conclusion, PlexusNet represents a novel model architecture for histological image analysis that achieves classification performance comparable to other models while providing orders-of-magnitude parameter reduction.

研究の動機と目的

• 病理組織画像解析における過学習と高い計算コストを解決するために、より小型で効率的なニューラルネットワークアーキテクチャの設計を目的とする。
• 既存の最先端モデルと比較して、モデルのキャリブレーション性能と臨床的有用性の向上を目的とする。
• データ分割の影響がモデルのキャリブレーションに与える影響を評価し、異なるトレーニングスプリットにおいても堅牢性を確保することを目的とする。
• 全スライド画像解析において、最小限のパラメータ容量で高い分類精度を達成することを目的とする。
• 診断精度に損なわれることなく、手動でのレビューを要するスライドの数を削減することで、効率的なスクリーニングを可能とすることを目的とする。

提案手法

• 階層的でマルチスケールの特徴統合メカニズムを備えた新規なニューラルネットワークアーキテクチャ、PlexusNetを提案し、少ないパラメータ数で表現力の高い特徴を獲得することを目的とした。
• モデルのキャリブレーションと一般化性能に与えるデータ分割の影響を調査するため、分割されたトレーニング戦略を採用した。
• 低リソース環境向けに最適化された、推論効率性とパラメータ効率性に優れたPlexusNetのコンパクト版を設計した。
• TCGA-PRADおよびスタンフォードの310枚のH&E染色前立腺がんスライド、Camelyon 2016チャレンジの398枚の全スライドを用いて、モデルのトレーニングと評価を実施した。
• 各アーキテクチャ的要因が全体的な性能に与える寄与度を分離するためのアブレーションスタディを実施した。
• PlexusNetと既存のアーキテクチャ（例：ResNet18）を比較するため、AUC、キャリブレーション指標、臨床的有用性スコアを用いた評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 より小型なニューラルネットワークアーキテクチャは、病理組織画像解析において、より大きな最先端モデルと同等の分類性能を達成できるか？
• RQ2 トレーニングデータの分割方法が、異なるアーキテクチャにおけるモデルのキャリブレーションにどのように影響を与えるか？
• RQ3 PlexusNetアーキテクチャは、既存モデルと比較して、どの程度モデルのキャリブレーション性能と臨床的有用性を向上させることができるか？
• RQ4 PlexusNetのコンパクト版は、がんスクリーニングにおいて、手動でのレビューを要するスライドの数を効果的に削減できるか？
• RQ5 PlexusNetの各アーキテクチャ的要素が、全体の性能と効率性に果たす寄与度はどの程度か？

主な発見

• 適切にチューニングされたPlexusNetベースのモデルは、前立腺がんと正常組織を区別する際、AUC 0.963を達成し、大きなモデルと同等の性能を示した。
• 同モデルは比較モデルに比べて少なくとも23倍も小さく、キャリブレーション性能と臨床的有用性に優れた結果を示した。
• よりコンパクトなPlexusNetバージョンは、乳がん転移をAUC 0.978で検出でき、診断精度に損なわれることなく、レビュー対象スライド数を43.8%削減した。
• このコンパクトモデルは、ResNet18に比べてパラメータ数が200倍も少なく、高い性能を維持した。
• PlexusNetは、異なるデータ分割方式に対しても良好なキャリブレーション性能を示したのに対し、ベースラインモデルは分割の変化に敏感であった。
• アブレーションスタディの結果、各アーキテクチャ的要素が性能向上に有意義に寄与しており、特に特徴統合とパラメータ効率性の観点で顕著な貢献が確認された。