[論文レビュー] SlideGraph+: Whole Slide Image Level Graphs to Predict HER2Status in Breast Cancer

Wenqi Lu, Michael S. Toss+3 more|arXiv (Cornell University)|Oct 12, 2021

AI in cancer detection被引用数 15

ひとこと要約

SlideGraph+ は、ヒスタミン染色を受けた乳がんの全スライド画像（WSI）から、WSIレベルのグラフを構築するためのグラフニューラルネットワーク（GNN）フレームワークを提案する。このフレームワークは、組織のグローバルな構造や細胞の文脈をグラフベースの表現学習によって捉えることで、IHC/ISH検査に依存せずHER2状態を直接予測し、TCGAではAUC >0.75、独立したデータセットでは0.80の性能を示し、最先端の手法を上回る。

ABSTRACT

Human epidermal growth factor receptor 2 (HER2) is an important prognostic and predictive factor which is overexpressed in 15-20% of breast cancer (BCa). The determination of its status is a key clinical decision making step for selection of treatment regimen and prognostication. HER2 status is evaluated using transcroptomics or immunohistochemistry (IHC) through situ hybridisation (ISH) which require additional costs and tissue burden in addition to analytical variabilities in terms of manual observational biases in scoring. In this study, we propose a novel graph neural network (GNN) based model (termed SlideGraph+) to predict HER2 status directly from whole-slide images of routine Haematoxylin and Eosin (H&E) slides. The network was trained and tested on slides from The Cancer Genome Atlas (TCGA) in addition to two independent test datasets. We demonstrate that the proposed model outperforms the state-of-the-art methods with area under the ROC curve (AUC) values > 0.75 on TCGA and 0.8 on independent test sets. Our experiments show that the proposed approach can be utilised for case triaging as well as pre-ordering diagnostic tests in a diagnostic setting. It can also be used for other weakly supervised prediction problems in computational pathology. The SlideGraph+ code is available at https://github.com/wenqi006/SlideGraph.

研究の動機と目的

• 通常のH&E染色全スライド画像（WSI）から直接HER2状態を予測する手法の開発。IHC/ISH検査の高コストおよび変動性を回避する。
• 計算病理学分野におけるパッチベースのディープラーニングモデルの限界、例えばグローバルな文脈の喪失やパッチレベルのラベル依存性を克服すること。
• 空間的組織構造と生物学的構造をWSIレベルでモデル化するため、グラフ表現学習を活用すること。
• ピクセルレベルのアノテーションを必要とせず、WSIレベルのラベルのみを用いた弱教師あり学習を可能にすること。
• 病理学的ワークフローにおける症例のトリアージや診断検査の事前注文のための、このモデルの臨床的有用性を検討すること。

提案手法

• 複数の倍率レベルでの組織パッチから形態的および組織像的特徴を抽出することで、WSIレベルのグラフを構築する。
• グラフ畳み込みネットワーク（GCNs）を用いて、ノード（パッチ）間で特徴を集約・伝搬させ、長距離の空間的依存性や組織構造を捉える。
• ノード表現に、細胞レベルの特徴（例：核の形態、DAB密度推定値）と文脈的特徴（例：オイラー数、面積、離心率）を統合する。
• パッチレベルのアノテーションを必要とせず、WSIレベルのラベル（HER2+ または HER2−）のみを用いた弱教師あり学習戦略を採用する。
• モデルの解釈性と性能を向上させるために、H&E画像からHER2特異的染色体密度を予測するDAB密度回帰ヘッドを導入する。
• グラフプーリングおよびリードアウト層を適用し、ノードレベルの予測を統合して最終的なWSIレベル分類スコアを算出する。

実験結果

リサーチクエスチョン

• RQ1 IHCやISHに依存せずに、H&E染色全スライド画像からグラフベースのディープラーニングモデルが効果的にHER2状態を予測できるか。
• RQ2 SlideGraph+ の性能は、AUCおよび独立したデータセットにおける頑健性の観点から、最先端のパッチベース手法と比べてどのように異なるか。
• RQ3 特定の核の多形性特徴（例：オイラー数の標準偏差、悪性細胞数）が、HER2陽性性およびモデル予測スコアとどの程度相関しているか。
• RQ4 パッチベースのモデルが見逃す可能性がある、WSIレベルでの生物学的に意味のある組織構造と空間的配置を、このモデルは捉えられるか。
• RQ5 従来のパッチベースモデルと比較して、SlideGraph+ のトレーニングおよび推論時間の効率性はどの程度か。

主な発見

• SlideGraph+ は、大規模かつ多様なコhortを対象としたThe Cancer Genome Atlas（TCGA）データセットでAUC 0.75以上を達成し、優れた性能を示した。
• 2つの独立したテストデータセットでは、AUCが0.80に達し、トレーニング分布を超えた良好な一般化性能を示した。
• モデルの予測スコアは、HER2過剰発現の主要な組織像的相関指標であるDAB密度推定値と強い相関を示した（ピアソン相関係数（PCC）= 0.63、95%信頼区間 0.62–0.64）。
• 核の多形性特徴として、オイラー数の標準偏差（PCC = 0.49、p < 0.0001）および悪性細胞数（PCC = 0.38、95%信頼区間 0.34–0.41）は、HER2陽性性と有意に相関した。
• 推論時間は1枚のWSIあたり単一GPUで0.4ミリ秒にとどまり、パッチベースのベースラインと比較して優れた計算効率を示した（1.2秒対比）。
• 特徴量とモデルスコアの密度プロットは、HER2陽性およびHER2陰性症例の間に明確な分離を示し、学習された表現の生物学的妥当性を裏付けた。