[論文レビュー] Synthetic DOmain-Targeted Augmentation (S-DOTA) Improves Model Generalization in Digital Pathology

Sai Chowdary Gullapally, Yibo Zhang+21 more|arXiv (Cornell University)|May 3, 2023

AI in cancer detection被引用数 5

ひとこと要約

本論文は、サイクルGANに基づくスキャナートランスフォーム（ST）と物理ベースの染色ベクトル増幅（SVA）を用いて、異なるスキャナーや染色プロトコルに対応するデジタル病理学におけるドメイン一般化手法である合成ドメイン・ターゲット指向増幅（S-DOTA）を提案する。S-DOTAは、分布外（OOD）データへの一般化性能を顕著に向上させ、HCC、NASH、前立腺がんの複数の病理学的タスクで、OODテストセットにおいて最大93.7%のマクロF1スコアを達成する一方で、分布内性能を維持し、ICCキャリブレーションやベースライン増幅法を上回る性能を示した。

ABSTRACT

Machine learning algorithms have the potential to improve patient outcomes in digital pathology. However, generalization of these tools is currently limited by sensitivity to variations in tissue preparation, staining procedures and scanning equipment that lead to domain shift in digitized slides. To overcome this limitation and improve model generalization, we studied the effectiveness of two Synthetic DOmain-Targeted Augmentation (S-DOTA) methods, namely CycleGAN-enabled Scanner Transform (ST) and targeted Stain Vector Augmentation (SVA), and compared them against the International Color Consortium (ICC) profile-based color calibration (ICC Cal) method and a baseline method using traditional brightness, color and noise augmentations. We evaluated the ability of these techniques to improve model generalization to various tasks and settings: four models, two model types (tissue segmentation and cell classification), two loss functions, six labs, six scanners, and three indications (hepatocellular carcinoma (HCC), nonalcoholic steatohepatitis (NASH), prostate adenocarcinoma). We compared these methods based on the macro-averaged F1 scores on in-distribution (ID) and out-of-distribution (OOD) test sets across multiple domains, and found that S-DOTA methods (i.e., ST and SVA) led to significant improvements over ICC Cal and baseline on OOD data while maintaining comparable performance on ID data. Thus, we demonstrate that S-DOTA may help address generalization due to domain shift in real world applications.

研究の動機と目的

• スキャナーや染色プロトコル、施設特有の処理による変動に起因するデジタル病理学におけるドメインシフトを解消すること。
• 実臨床環境における未観測の施設やスキャナからの分布外（OOD）データに対してもモデルの一般化性能を向上させること。
• 広範な実際のOODデータを必要とせずに、トレーニング時に多様なドメインシフトを模倣できるスケーラブルでターゲット指向の増幅戦略を開発すること。
• ICCプロファイルベースの色補正（ICC Cal）と標準的な増幅法を比較し、分布内（ID）および分布外（OOD）テストセットにおける性能を評価すること。
• 複数のモデルタイプ（組織セグメンテーション、細胞分類）、損失関数、疾患指標（HCC、NASH、前立腺がん）を対象に、本手法の有効性を検証すること。

提案手法

• S-DOTAは、特定のスキャナータイプ間でドメイン間画像変換を学習するサイクルGANベースのスキャナートランスフォーム（ST）を採用し、OODスキャナードメインを模倣するデータ増幅を可能にする。
• S-DOTAは、多様なソースから収集した染色ベクトルを用いて、画像パッチを物理ベースで変換する染色ベクトル増幅（SVA）を導入する。これにより、異なる染色色プロファイルを模倣できる。
• STおよびSVAはトレーニング時増幅として適用され、分布内画像から合成データを生成し、ターゲットドメインの特徴を模倣する。
• 本手法の評価には、複数の施設、スキャナ、疾患指標における分布内（ID）および分布外（OOD）テストセットにおけるマクロ平均F1スコアが用いられる。
• ICCプロファイルベースの色補正（ICC Cal）と標準的な増幅法（明るさ、色、ノイズ）を、同一のトレーニングおよび評価プロトコル下で比較する。
• HCC分類タスクにおける一般化性能のさらなる評価のため、交差エントロピー損失に加えて、教師付きコントラスト損失（SCL）が使用される。

実験結果

リサーチクエスチョン

• RQ1 S-DOTA手法（STおよびSVA）は、未観測の施設やスキャナからの分布外（OOD）データに対し、モデルの一般化性能を向上させることができるか？
• RQ2 STおよびSVAは、ID性能を維持しつつ、OOD一般化性能を向上させる点で、ICCキャリブレーション（ICC Cal）およびベースライン増幅法と比較して優れているか？
• RQ3 物理ベースの染色ベクトル増幅（SVA）は、スキャナ固有のサイクルGAN（ST）よりも、より強固なドメイン一般化を実現するか？
• RQ4 S-DOTA手法は、多様な疾患指標（HCC、NASH、前立腺がん）およびモデルアーキテクチャにおいて、どの程度の性能向上を達成するか？
• RQ5 S-DOTAにコントラスト学習（SCL）を組み合わせることで、標準的な交差エントロピー学習に比べ、一般化性能がさらに向上するか？

主な発見

• S-DOTA手法（STおよびSVA）は、ICCキャリブレーションおよびベースライン増幅法を顕著に上回り、HCC細胞分類タスクにおいて3つのOODスキャナで最大93.73%のマクロF1スコアを達成した。
• HCC細胞モデルでは、SVAがOOD（11,GT450）で93.73%のマクロF1スコアを達成したのに対し、ベースラインは88.96%、ICCキャリブレーションは92.51%であった。これは、SVAが優れたOOD一般化性能を示していることを示している。
• NASH細胞モデルでは、S-DOTA手法（STおよびSVA）が、それぞれOOD（11,GT450）で85.92%、OOD（11,DP200）で85.11%のマクロF1スコアを達成した。これは、ICCキャリブレーション（85.07%）およびベースライン（81.19%）を上回った。
• 前立腺がん細胞モデルでは、S-DOTA（STおよびSVA）が、それぞれOOD（1,DP200）で61.88%および60.98%のマクロF1スコアを達成した。これに対して、ベースラインは51.54%、ICCキャリブレーションは56.95%であった。
• 教師付きコントラスト損失（SCL）を組み合わせた場合、S-DOTA（STおよびSVA）は、OOD（7,Scan II）でそれぞれ60.94%および60.00%のマクロF1スコアを達成した。これは、ベースライン+SCL（46.23%）およびICCキャリブレーション+SCL（41.26%）を上回った。
• S-DOTA手法は、ICCキャリブレーションおよびベースラインと同等または優れた分布内（ID）性能を維持しており、標準テストセットにおける性能劣化がないことが示された。