[論文レビュー] Weakly-Supervised Deep Learning Model for Prostate Cancer Diagnosis and Gleason Grading of Histopathology Images

Mohammad Mahdi Behzadi, Mohammad Madani+7 more|arXiv (Cornell University)|Dec 25, 2022

AI in cancer detection被引用数 4

ひとこと要約

本稿では、全スライド画像（WSIs）を用いた前立腺がんのグレアソン画病理グレーディングのための弱教師あり深層学習フレームワークを提案する。トランスフォーマーに基づくMILモデルを用いて特徴的なパッチを特定し、スコアの高いパッチからグラフを構築し、ゲート付きアテンションを備えたグラフ畳み込みネットワークを用いてグレードを分類する。本モデルはTCGA-PRAD、PANDA、Gleason 2019チャレンジのデータセットで最先端の性能を達成し、正解率が最大0.912、CohenのKappa係数が0.892を記録した。

ABSTRACT

Prostate cancer is the most common cancer in men worldwide and the second leading cause of cancer death in the United States. One of the prognostic features in prostate cancer is the Gleason grading of histopathology images. The Gleason grade is assigned based on tumor architecture on Hematoxylin and Eosin (H&E) stained whole slide images (WSI) by the pathologists. This process is time-consuming and has known interobserver variability. In the past few years, deep learning algorithms have been used to analyze histopathology images, delivering promising results for grading prostate cancer. However, most of the algorithms rely on the fully annotated datasets which are expensive to generate. In this work, we proposed a novel weakly-supervised algorithm to classify prostate cancer grades. The proposed algorithm consists of three steps: (1) extracting discriminative areas in a histopathology image by employing the Multiple Instance Learning (MIL) algorithm based on Transformers, (2) representing the image by constructing a graph using the discriminative patches, and (3) classifying the image into its Gleason grades by developing a Graph Convolutional Neural Network (GCN) based on the gated attention mechanism. We evaluated our algorithm using publicly available datasets, including TCGAPRAD, PANDA, and Gleason 2019 challenge datasets. We also cross validated the algorithm on an independent dataset. Results show that the proposed model achieved state-of-the-art performance in the Gleason grading task in terms of accuracy, F1 score, and cohen-kappa. The code is available at https://github.com/NabaviLab/Prostate-Cancer.

研究の動機と目的

• 全スライド画像（WSIs）の完全なラベル付けにかかる高コストと時間的負担を軽減するため。
• グレアソングレーディングにおける観察者間差を低減するため、分類プロセスを自動化するため。
• WSI内のがん性パッチ間の空間的および関係的依存性をモデル化することで分類精度を向上させるため。
• パッチレベルのラベルを必要としないが高精度を維持する弱教師ありアプローチを開発するため。
• 複数の公開データセットおよび独立したクロスバリデーションセットを用いてモデルを検証するため。

提案手法

• WSIレベルのラベルへの寄与度に基づき、パッチにアテンションスコアを割り当てるトランスフォーマーに基づく複数インスタンス学習（MIL）モデルを採用する。
• 計算負荷を軽減するため、オートエンコーダーを用いてパッチからのコンact特徴表現を抽出する。
• ノードをスコアの高いパッチとし、空間的近接性に基づき各パッチをK番目の近隣パッチと接続するグラフを構築する。
• ノード特徴量とグラフ構造を用いて、WSIをグレアソングレードに分類するゲート付きアテンションを備えたグラフニューラルネットワーク（GNN）を適用する。
• パッチレベルのラベルを必要とせず、バッグレベルのラベル（WSIラベル）に基づき、エンドツーエンドでモデルを訓練する。
• MILモジュールから得た上位スコアのパッチをグラフ構築の入力とし、特徴的な領域に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 パッチレベルのラベルを必要としない弱教師あり深層学習モデルは、グレアソングレーディングにおいて高い精度を達成できるか？
• RQ2 特徴的なパッチ間の空間的関係をモデル化することで、分類性能がどのように向上するか？
• RQ3 この設定において、最適なASGモジュール数とK近傍数は何か？
• RQ4 選択された高スコアパッチの割合が、モデルの頑健性および精度にどのように影響するか？
• RQ5 提案されたフレームワークは、公開の前立腺がんWSIデータセットにおいて、既存の最先端モデルを上回る性能を示すか？

主な発見

• 提案モデルはGleason 2019チャレンジデータセットで正解率0.912、CohenのKappa係数0.892を達成し、ベースラインモデルを上回った。
• PANDAデータセットでは正解率0.957、CohenのKappa係数0.885を記錣し、複数のデータセットにわたる強力な汎化性能を示した。
• アブレーションスタディの結果、高スコアパッチの60％を選択した場合、10％に比べて性能が著しく向上（正解率約75％から約90％へ）した。
• 8つのASGモジュールが、複数のデータセットで最適な性能を発揮した。12モジュールではわずかな向上しか得られず、計算コストが著しく上昇した。
• KNNパラメータは性能にほとんど影響を与えず、すべてのデータセットでK=10が最良の結果をもたらした。
• t-SNE可視化により、モデルが異なるグレアソングレードに対して特徴的で明確に分離された表現を学習していることが確認された。