[論文レビュー] Stain-invariant self supervised learning for histopathology image analysis

Alexandre Tiard, Alex Wong+6 more|arXiv (Cornell University)|Nov 14, 2022

AI in cancer detection被引用数 5

ひとこと要約

本論文は、同一組織の異なる染色法に対して一貫した潜在表現を強制することで、染色変動に頑健な自己教師あり表現学習手法を提案する。この手法は、バッチ内のランダムに選択されたターゲットに画像を正規化し、同じ組織の異なる染色下での埋め込み距離を最小化することで実現される。本手法は、大規模事前学習や複雑なアーキテクチャを必要とせず、乳がん分類タスク（腫瘍検出、サブタイピング、HER2状態予測、治療反応予測）において、先行手法を上回る最先端の性能を達成した。

ABSTRACT

We present a self-supervised algorithm for several classification tasks within hematoxylin and eosin (H&E) stained images of breast cancer. Our method is robust to stain variations inherent to the histology images acquisition process, which has limited the applicability of automated analysis tools. We address this problem by imposing constraints a learnt latent space which leverages stain normalization techniques during training. At every iteration, we select an image as a normalization target and generate a version of every image in the batch normalized to that target. We minimize the distance between the embeddings that correspond to the same image under different staining variations while maximizing the distance between other samples. We show that our method not only improves robustness to stain variations across multi-center data, but also classification performance through extensive experiments on various normalization targets and methods. Our method achieves the state-of-the-art performance on several publicly available breast cancer datasets ranging from tumor classification (CAMELYON17) and subtyping (BRACS) to HER2 status classification and treatment response prediction.

研究の動機と目的

• H&E染色による全スライド画像における染色変動の課題に対処すること。
• ドメイン固有の正規化や大規模データセットでの事前学習に依存せずに、染色変動に対して頑健な自己教師あり表現学習手法を開発すること。
• 複数の医療機関にまたがるヒストパスロジー画像において、腫瘍分類、サブタイピング、HER2状態予測、治療反応予測といった複数の下流タスクの分類性能を向上させること。
• 最小限のアーキテクチャ複雑性と低減されたデータ処理負荷で、効果的な転移学習を可能にすること。

提案手法

• 各訓練イテレーションにおいて、バッチ内のランダムに選択された画像を染色正規化のターゲットとする。
• すべての画像を、特徴値分解法（例：SVDまたはSNMF）を用いた色の脱成分分解技術により、選択されたターゲットに正規化する。
• 同じ組織の異なる染色下での埋め込みが近づくように、異なる組織の埋め込みは遠ざかるようにモデルが潜在表現を学習する。
• 元のデータとその正規化版の間で、類似した損失関数を直接適用し、潜在空間におけるトポロジー構造を強制する。
• 下流分類タスク（例：腫瘍分類、HER2状態）と潜在埋め込み損失を同時に最適化する。
• 大規模事前学習やGANベースの正規化に依存せず、計算コストとデータ処理負荷を低減する。

実験結果

リサーチクエスチョン

• RQ1 ドメイン固有の正規化や大規模データセットでの事前学習を必要とせず、H&E染色画像における染色変動に対して頑健な自己教師あり表現学習手法は、性能を発揮できるか？
• RQ2 染色変動にわたる一貫した潜在埋め込みを強制することで、複数の医療機関にまたがるヒストパスロジー画像において、下流分類性能がどのように向上するか？
• RQ3 GANや57種類の異なるデータセットで事前学習された複雑なアーキテクチャを上回る、単純なResNet18に新規の潜在空間制約を適用したモデルは、性能を発揮できるか？
• RQ4 本手法は、未観測の医療機関やHER2状態予測、治療反応分類といったタスクへどの程度一般化可能か？
• RQ5 本手法は、異なる臨床施設にモデルを展開する際の手動アノテーションや再トレーニングの必要性を低減できるか？

主な発見

• CAMELYON17データセットにおいて最先端の性能を達成し、RUMCテストセットで92.6%、RSTで96.1%、LPONで88.3%の正解率を記録。HistAuGANを上回った。
• BRACSにおいてサブタイピングタスクでは、ターゲットドメインに正規化した状態で最先端の結果を達成し、染色変動に対する頑健性を示した。
• トラスツズマブ反応予測において88.3%の正解率を達成し、治療計画に有用なインサイトを提供した。
• 単一医療機関の訓練データセットのみを用いても、他の4か所の医療機関へも効果的に一般化され、強力な跨施設頑健性を示した。
• モデルは1300万パラメータ、推論時間は12msであり、HistAuGAN（2800万パラメータ）と比較して、モデルサイズと推論コストを顕著に低減した。
• 潜在空間では、同じ組織の異なる染色下でのクラスタがより緊密に集まっていることが確認され、埋め込み制約が強固な表現を生成することの有効性が裏付けられた。