[論文レビュー] Thyroid Cancer Malignancy Prediction From Whole Slide Cytopathology Images

David Dov, Shahar Z. Kovalsky+4 more|arXiv (Cornell University)|Mar 29, 2019

AI in cancer detection参考文献 38被引用数 12

ひとこと要約

本論文では、細胞診病理医が行うのを模倣する深層学習フレームワークを提案する。このフレームワークは、超高解像度の全スライド甲状腺細胞診断画像において、診断的に重要な濾泡上皮細胞群を特定し、同時に悪性度とTBS分類を予測する。この手法は、専門家病理医と同等の性能を達成し、再現性とリ콜の向上が見込まれ、スクリーニングおよび診断が難しい症例の支援に役立つ可能性を有する。

ABSTRACT

We consider preoperative prediction of thyroid cancer based on ultra-high-resolution whole-slide cytopathology images. Inspired by how human experts perform diagnosis, our approach first identifies and classifies diagnostic image regions containing informative thyroid cells, which only comprise a tiny fraction of the entire image. These local estimates are then aggregated into a single prediction of thyroid malignancy. Several unique characteristics of thyroid cytopathology guide our deep-learning-based approach. While our method is closely related to multiple-instance learning, it deviates from these methods by using a supervised procedure to extract diagnostically relevant regions. Moreover, we propose to simultaneously predict thyroid malignancy, as well as a diagnostic score assigned by a human expert, which further allows us to devise an improved training strategy. Experimental results show that the proposed algorithm achieves performance comparable to human experts, and demonstrate the potential of using the algorithm for screening and as an assistive tool for the improved diagnosis of indeterminate cases.

研究の動機と目的

• 全スライドデジタル細胞診断画像から、術前における甲状腺がんの悪性度を予測する計算的手法を開発すること。
• 限られたGPUメモリを考慮し、ギガバイト規模の全スライド画像を処理する課題に対処するため、診断的に関連する領域に焦点を当てる。
• 悪性度とTBS分類を同時に予測することで、不定型症例（TBS 3–5）の診断正確性を向上させること。
• 人間の診断プロセスを模倣するスケーラブルで教師ありのアプローチを構築すること—まず関心領域を特定し、その後特徴を統合して最終予測を行う。

提案手法

• 2段階の深層学習パイプラインを用いる：まず、専門家がアノテートしたパッチを用いて教師ありで学習させた畳み込みニューラルネットワーク（CNN）が、画像パッチを分類し、濾泡上皮細胞群を含む領域を同定する。
• モデルは教師ありの領域提案メカニズムを採用しており、従来の複数インスタンス学習とは異なり、診断的に関連するパッチを直接学習対象としている。
• 2番目のネットワークは、同定された濾泡上皮領域からの特徴を統合し、甲状腺のがん悪性度と術前TBS分類を予測する。
• 学習目的関数は、悪性度予測に二値交差エントロピーを、TBS分類予測に順序回帰損失を組み合わせており、同時に最適化を可能にしている。
• フレームワークは、TBS分類と悪性度確率の単調性関係を活用し、悪性度リスクの一貫した代理指標としてTBSを用いている。
• 高解像度の全スライド画像（最大150,000 × 100,000ピクセル）はパッチベースの推論により処理され、全画像のメモリオーバーヘッドを回避する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、全スライド細胞診断画像から甲状腺がんの悪性度を予測する際、専門家病理医と同等の性能を達成できるか？
• RQ2 悪性度とTBS分類の共同予測は、単一タスク学習と比較して、モデルの頑健性と臨床的有用性を向上させられるか？
• RQ3 モデルが濾泡上皮細胞群を同定し、焦点を当てる能力が、グローバル画像分析や背景優勢な特徴と比較して、より優れた性能を発揮するか？
• RQ4 モデルは、不定型症例（TBS 3–5）を分類する際、人間の専門家を上回ることができるか。特に、こうした症例に対して明確な良性または悪性のラベルを付与できるか？
• RQ5 モデルの性能は、アノテートされたトレーニングパッチの品質と代表性にどの程度依存するか？

主な発見

• 提案されたアルゴリズムは、専門家病理医と同等の受信者リポーチ曲線下積分（AUC）を達成し、平均精度（AP）スコアも向上している。
• モデルはTBS 2およびTBS 6症例を高い信頼性で予測し、すべての症例をそれぞれ良性および悪性として正しく分類している。
• 混同行列には明確なブロック対角構造が見られ、TBS 2およびTBS 6の予測が信頼性が高く、良性と悪性症例を効果的に区別していることが示されている。
• アルゴリズムは、元々不定型（TBS 3–5）とラベル付けされた複数の症例を、TBS 2またはTBS 6に再分類しており、難易度の高い症例における支援的ツールとしての可能性を示している。
• モデルの予測は、TBSシステムの単調性と整合しており、予測されたTBS値が高いほど悪性リスクが高くなる傾向を示している。
• ヒートマップおよび同定された領域の視覚的検証により、高解像度スライドにおいて診断的に関連する濾泡上皮細胞群が効果的に同定されていることが確認された。