[論文レビュー] Weakly Supervised Prostate TMA Classification via Graph Convolutional Networks

Jingwen Wang, Richard J. Chen+3 more|arXiv (Cornell University)|Oct 29, 2019

AI in cancer detection参考文献 25被引用数 6

ひとこと要約

本論文は、画素レベルのアノテーションを一切使用せず、TMAレベルのラベルのみを用いて前立腺組織マイクロアレイ（TMA）分類を実行する弱教師ありグラフ畳み込みネットワーク（GCN）フレームワークを提案する。対照的予測コーディング（CPC）を活用して細胞形態計測特徴を学習し、核ベースのグラフを用いて空間的組織をモデル化する。5-fold交差検証において0.9659のAUCを達成し、GLCMおよびVGG19特徴を用いたGCNと比較してそれぞれ39.80%および29.27%の性能向上を示した。

ABSTRACT

Histology-based grade classification is clinically important for many cancer types in stratifying patients distinct treatment groups. In prostate cancer, the Gleason score is a grading system used to measure the aggressiveness of prostate cancer from the spatial organization of cells and the distribution of glands. However, the subjective interpretation of Gleason score often suffers from large interobserver and intraobserver variability. Previous work in deep learning-based objective Gleason grading requires manual pixel-level annotation. In this work, we propose a weakly-supervised approach for grade classification in tissue micro-arrays (TMA) using graph convolutional networks (GCNs), in which we model the spatial organization of cells as a graph to better capture the proliferation and community structure of tumor cells. As node-level features in our graph representation, we learn the morphometry of each cell using a contrastive predictive coding (CPC)-based self-supervised approach. We demonstrate that on a five-fold cross validation our method can achieve $0.9659\pm0.0096$ AUC using only TMA-level labels. Our method demonstrates a 39.80\% improvement over standard GCNs with texture features and a 29.27% improvement over GCNs with VGG19 features. Our proposed pipeline can be used to objectively stratify low and high risk cases, reducing inter- and intra-observer variability and pathologist workload.

研究の動機と目的

• 前立腺がんのGleasonスコア判定における観察者間・観察者内ばらつきを低減するため、前立腺がんの分類を客観的でディープラーニングベースの手法で開発すること。
• 高価な画素レベルのアノテーションを回避するため、TMAレベルのラベルのみを用いて、低リスク群と高リスク群への正確な患者の分類を可能にすること。
• 従来のCNNがグローバルな文脈を欠くのに対し、グラフ畳み込みネットワーク（GCN）を活用して腫瘍細胞の空間的構造をより効果的にモデル化すること。
• 自己教師あり形態計測学習のための対照的予測コーディング（CPC）を用いることで、組織病理学的画像における核の特徴表現を向上させること。
• CPCベースの特徴を有するGCNが、手作業特徴（GLCM）やトランスファー学習（VGG19）特徴を用いたものと比較して、Gleasonスコア分類において優れた性能を示すことを実証すること。

提案手法

• H&E染色TMA画像内の細胞がセグメンテーションされ、核がグラフのノードとして表現され、空間的近接性に基づいてエッジが形成される。
• ノード特徴は、画素レベルのアノテーションを一切必要としない自己教師学習手法である対照的予測コーディング（CPC）を用いて学習される。
• メッセージパッシングにはGraphSAGE畳み込みが用いられ、各ノードは隣接ノードの特徴をReLUと連結を用いて集約する：$ h_v^{(k)} = W \bullet [h_v^{(k-1)}, \text{MAX}(\text{ReLU}(W \bullet h_u^{(k-1)})) \text{ for } u \text{ in } \nabla(v)] $。
• グローバルなグラフレベル表現を統合するために自己アテンショングラフプーリングが適用され、アテンションスコアは$ Z = \text{sigmoid}(\text{SAGEConv}(X, A + A^2)) $で計算される。
• 最終的なグラフレベル表現を用いて、TMAを高リスク（Gleason ≥6）と低リスク（Gleason <6）に二値分類する。
• モデルは、画像のコーナーおよび中央部から切り出された1550×1550のクロップを用いたデータオーグメンテーションを伴い、TMAレベルのラベルのみでエンドツーエンドに訓練される。

実験結果

リサーチクエスチョン

• RQ1 画素レベルのアノテーションを一切使用せず、TMAレベルのラベルのみを用いて、GCNベースの手法が高い性能のGleasonスコア分類を達成できるか？
• RQ2 対照的予測コーディング（CPC）による自己教師学習が、トランスファー学習（例：VGG19）や手作業特徴（例：GLCM）と比較して、組織病理学的グラフ分類のための優れた細胞レベル特徴を生成できるか？
• RQ3 核の空間的組織をグラフ構造でモデル化することで、グローバルな文脈を欠く従来のCNNと比較して分類性能を向上させられるか？
• RQ4 事前学習特徴やテクスチャ記述子に依存する既存のGCNベース手法と比較して、本手法の性能はどのように異なるか？
• RQ5 画像レベルのラベルのみを用いて、臨床的に難しい3+3と3+4のサブタイプを含む、著しくばらつきのあるGleasonスコアを持つ患者を効果的に分類できるか？

主な発見

• 本手法は、TMAレベルのラベルのみを用いた5-fold交差検証において、AUC 0.9659 ± 0.0096を達成し、最先端の性能を示した。
• GLCM特徴のみを用いたGCNと比較してAUCが39.80%向上し、VGG19特徉を用いたGCNと比較して29.27%向上した。
• 自己教師学習によるCPCベース特徴は、トランスファー学習（VGG19）や手作業テクスチャ特徴（GLCM）と比較して、グラフベース分類において顕著に優れた性能を示した。
• 本手法は、臨床的に難しい3+3および3+4サブタイプを含む、高リスク（Gleason ≥6）と低リスク（Gleason <6）の症例を効果的に分類できた。
• CPC特徴を有するGCNは、病理医の作業負荷と観察者間・観察者内ばらつきを低減し、客観的で自動化された分類を提供した。
• 本手法はホールスライド画像へスケーラブルであり、多クラス分類や臨床的・マルチオミクスデータとの統合へも拡張可能である。