[論文レビュー] Self supervised learning improves dMMR/MSI detection from histology slides across multiple cancers

Charlie Saillard, Olivier Dehaene+5 more|arXiv (Cornell University)|Sep 13, 2021

Genetic factors in colorectal cancer被引用数 19

ひとこと要約

本研究では、The Cancer Genome Atlas (TCGA) のヒストロロジー画像を用いて自己教師あり学習（SSL）手法であるMoCo V2を用いて深層ニューラルネットワークを事前学習するアプローチを提案し、大腸癌および胃癌におけるdMMR/MSI状態の検出を顕著に向上させた。本手法は、大腸癌と胃癌に対してそれぞれ0.92および0.83のSOTA AUCを達成し、外部コhortへの一般化性が強く、生物学的に意味のあるヒストロジカルパターンの特定が向上した。

ABSTRACT

Microsatellite instability (MSI) is a tumor phenotype whose diagnosis largely impacts patient care in colorectal cancers (CRC), and is associated with response to immunotherapy in all solid tumors. Deep learning models detecting MSI tumors directly from H&E stained slides have shown promise in improving diagnosis of MSI patients. Prior deep learning models for MSI detection have relied on neural networks pretrained on ImageNet dataset, which does not contain any medical image. In this study, we leverage recent advances in self-supervised learning by training neural networks on histology images from the TCGA dataset using MoCo V2. We show that these networks consistently outperform their counterparts pretrained using ImageNet and obtain state-of-the-art results for MSI detection with AUCs of 0.92 and 0.83 for CRC and gastric tumors, respectively. These models generalize well on an external CRC cohort (0.97 AUC on PAIP) and improve transfer from one organ to another. Finally we show that predictive image regions exhibit meaningful histological patterns, and that the use of MoCo features highlighted more relevant patterns according to an expert pathologist.

研究の動機と目的

• H&E染色全スライド画像を用いた深層学習によるdMMR/MSI検出の精度を向上させること。
• 医療画像分野におけるImageNet事前学習モデルの限界を補うために、ヒストロジー画像を用いた自己教師あり学習を活用すること。
• 異なる癌種および外部データセットにわたるモデルの一般化性を向上させること。
• 自己教師あり特徴量がMSIに関連する生物学的に意味のあるヒストロジカルパターンを効果的に捉えていることを検証すること。
• MSI頻度が低い癌において通常の検査が標準でない状況でも、広範かつコスト効率の良いMSIスクリーニングを可能にすること。

提案手法

• TCGAのH&E染色全スライド画像を用いて、ラベルなしでResNet-50バックボーンをMoCo V2で事前学習した。
• TCGAから1,000枚以上の大腸癌および500枚以上の胃癌スライドを用いて、対照的学習を用いて一般化可能な特徴量を学習した。
• MeanPool、Chowder、DeepMILアーキテクチャを用いて、固定されたMoCoで学習した特徴量の上に線形分類器を微調整し、MSI/MSS分類を実行した。
• 交差検証および外部コhortテストを含む、複数のデータセットおよび評価プロトコルにおいて、ImageNet事前学習モデルと性能を比較した。
• タイルレベルの特徴量を全スライド予測に統合するために、注目メカニズムを備えたMILモデル（DeepMIL、Chowder）を用いた。
• 注目マップの分析と専門家がアノテートした関心領域との比較により、特徴量の解釈可能性を検証した。

実験結果

リサーチクエスチョン

• RQ1 ヒストロジー画像を用いた自己教師あり学習が、大腸癌および胃癌におけるMSI検出においてImageNet事前学習を上回る性能を示せるか？
• RQ2 MoCoベースの特徴量学習が、PAIP大腸癌データセットのような未観測コホートへの一般化性を向上させるか？
• RQ3 SSL特徴量が、専門病理医による確認を得たMSI関連の生物学的に意味のあるヒストロジカルパターンを効果的に捉えられるか？
• RQ4 自己教師あり学習に基づくモデルの性能は、ImageNet事前学習に依存するSOTAモデルと比較して、クロスキャンサー転移学習においてどうなるか？
• RQ5 ヒストロジー画像のみで事前学習を実施することで、異なる癌種にわたる転送性はどの程度向上するか？

主な発見

• MoCo V2で事前学習したモデルは、TCGA大腸癌（TCGA-CRC）でAUC 0.92を達成し、交差検証においてImageNet事前学習モデルを+0.07上回った。
• 胃癌（TCGA-Gastric）では、MoCoモデルがAUC 0.83を達成し、ImageNetベースラインより+0.06の向上を示した。
• 外部大腸癌コホート（PAIP）への一般化性が強く、AUC 0.97を達成した。これは、強力な転送性を示している。
• 大腸癌および胃癌データを併用して共同事前学習した（MoCo-CRC-Gastric）場合、全3アーキテクチャ（MeanPool、Chowder、DeepMIL）でAUC 0.88を達成し、クロスオーガン転送能力を示した。
• 専門病理医が確認したところ、MoCo特徴量からの注目マップが、腫瘍浸潤リンパ球や免疫活性なストロマ領域といった臨床的関連領域を的確に強調していた。
• ImageNet事前学習モデルの特徴量と比較して、MoCoベースの特徴量は一貫してより関連性が高く生物学的に解釈可能なパターンを強調していた。