[論文レビュー] Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples

Andrew H. Song, Mane Williams+9 more|arXiv (Cornell University)|Jul 27, 2023

AI in cancer detection被引用数 4

ひとこと要約

本論文では、多様な画像モodalitiesからのボリュメトリックな組織ブロックを用いて、患者単位のリスクストラティフィケーションを可能にする弱教師あり深層学習フレームワークMAMBAを紹介する。3D組織ブロックにおける複数インスタンス学習を活用することで、前立腺がんにおける5年間の生化学的再発の予測にAUC 0.86を達成し、2Dシングルスライス手法を上回り、より大きな組織体積の分析によりサンプリングバイアスを低減する。

ABSTRACT

Human tissue and its constituent cells form a microenvironment that is fundamentally three-dimensional (3D). However, the standard-of-care in pathologic diagnosis involves selecting a few two-dimensional (2D) sections for microscopic evaluation, risking sampling bias and misdiagnosis. Diverse methods for capturing 3D tissue morphologies have been developed, but they have yet had little translation to clinical practice; manual and computational evaluations of such large 3D data have so far been impractical and/or unable to provide patient-level clinical insights. Here we present Modality-Agnostic Multiple instance learning for volumetric Block Analysis (MAMBA), a deep-learning-based platform for processing 3D tissue images from diverse imaging modalities and predicting patient outcomes. Archived prostate cancer specimens were imaged with open-top light-sheet microscopy or microcomputed tomography and the resulting 3D datasets were used to train risk-stratification networks based on 5-year biochemical recurrence outcomes via MAMBA. With the 3D block-based approach, MAMBA achieves an area under the receiver operating characteristic curve (AUC) of 0.86 and 0.74, superior to 2D traditional single-slice-based prognostication (AUC of 0.79 and 0.57), suggesting superior prognostication with 3D morphological features. Further analyses reveal that the incorporation of greater tissue volume improves prognostic performance and mitigates risk prediction variability from sampling bias, suggesting the value of capturing larger extents of heterogeneous 3D morphology. With the rapid growth and adoption of 3D spatial biology and pathology techniques by researchers and clinicians, MAMBA provides a general and efficient framework for 3D weakly supervised learning for clinical decision support and can help to reveal novel 3D morphological biomarkers for prognosis and therapeutic response.

研究の動機と目的

• 2Dヒストパスロジーの臨床的限界に対処し、全組織ブロックの3Dボリュメトリック分析を可能にすること。
• データサイズと複雑さのため病理医による手動3D画像評価が現実的でないことを克服すること。
• ピクセルレベルのアノテーションを必要とせず、3D病理画像に対して弱教師あり学習を可能にする、モダリティに依存しない深層学習フレームワークの開発。
• より大きな組織体積における空間的に不均一な3D形態特徴を捉えることで、予後予測の正確性を向上させること。
• 最小限のアノテーションで、3D病理学的診断支援のための汎用的な計算プラットフォームを提供すること。

提案手法

• MAMBAは、各3D組織ブロックをパッチのバッグとして扱い、弱教師ありラベル付きバッグから患者の予後を予測する複数インスタンス学習（MIL）フレームワークを採用する。
• フレームワークは、3D画像パッチからの特徴符号化に3D空間時間的畳み込みニューラルネットワークとSwin変換器を用いる。
• グローバルアテンション機構がパッチレベル特徴をバッグレベルの予測に統合し、患者レベルのラベルのみでエンドツーエンド学習を可能にする。
• クラスアクティベーションマップ（Grad-CAM++）を用いて、予測に最も寄与する3D領域を可視化するためのサリエンシー熱マップを生成する。
• 本手法は、アーカイブ済み前立腺がん標本のオープントップライトシート顕微鏡法およびマイクロCT画像を用いて学習され、5年間の生化学的再発に基づくリスクストラティフィケーションが行われる。
• 統合勾配（IG）を用いることで、3Dボリューム内の判別的形態特徴を強調し、モデルの解釈性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 弱教師あり深層学習フレームワークは、従来の2Dシングルスライス分析と比較して、3D病理学的診断において優れた予後予測性能を達成できるか？
• RQ2 3D解析におけるより大きな組織体積の統合は、サンプリングバイアスを低減し、予測の一貫性を向上させるか？
• RQ3 光シート顕微鏡法やマイクロCTを含む多様な画像モダリティからの3D病理画像を効果的に処理できる、モダリティに依存しないフレームワークは実現可能か？
• RQ4 3D形態特徴の中で、患者の予後を最も予測に寄与するものは何か？ また、説明可能なAI技術によりそれらを解釈可能か？
• RQ5 ボリュメトリック解析は、前立腺がんにおける5年間の生化学的再発予測の受信者操作特性曲線下積分（AUC）をどの程度向上させるか？

主な発見

• MAMBAは、ライトシート顕微鏡法データを用いて前立腺がんの5年間の生化学的再発予測でAUC 0.86を達成し、2Dシングルスライス手法（AUC 0.79）を顕著に上回った。
• マイクロCTデータでは、MAMBAはAUC 0.74を達成したのに対し、2Dシングルスライス分析はAUC 0.57にとどまり、3D形態特徴の活用による予後予測性能の向上が示された。
• 3Dブロックベース解析におけるより大きな組織体積の統合により、リスク予測のばらつきが低減し、サンプリングバイアスが緩和された。
• Grad-CAM++および統合勾配（IG）の可視化により、患者の予後予測に寄与する生物学的に妥当で、空間的に不均一な3D組織ブロック内の形態特徴が明らかになった。
• モデルは、ライトシート顕微鏡法およびマイクロCTを含む画像モダリティ間で一般化を示し、モダリティに依存しない設計の有効性を確認した。
• インタラクティブデモおよびオープンソースコードにより、コミュニティのアクセスと3D弱教師あり病理学的ツールのさらなる開発が可能になった。