[논문 리뷰] A Deep-Learning Algorithm for Thyroid Malignancy Prediction From Whole Slide Cytopathology Images.

David Dov, Shahar Z. Kovalsky외 6명|arXiv (Cornell University)|2019. 05. 02.

AI in cancer detection인용 수 6

한 줄 요약

이 논문은 최대우도추정(MLE) 프레임워크를 기반으로 하여 전체 슬라이드 영상(WSI)에서 갑상선 악성 종양 예측을 위한 새로운 이단계 딥러닝 알고리즘을 제안한다. 이 알고리즘은 백 단위 악성도, 진단 점수, 인스턴스 수준의 정보성 및 비정상성과 같은 다중 레이블 유형을 활용한다. 이 방법은 유도된 MLE 하한을 기반으로 한 약한 지도 학습 전략을 통해 인스턴스 식별을 향상시키고 국소 점수를 전역 예측에 통합함으로써 인간 수준의 성능을 달성한다.

ABSTRACT

We consider machine-learning-based thyroid-malignancy prediction from cytopathology whole-slide images (WSI). Multiple instance learning (MIL) approaches, typically used for the analysis of WSIs, divide the image (bag) into patches (instances), which are used to predict a single bag-level label. These approaches perform poorly in cytopathology slides due to a unique bag structure: sparsely located informative instances with varying characteristics of abnormality. We address these challenges by considering multiple types of labels: bag-level malignancy and ordered diagnostic scores, as well as instance-level informativeness and abnormality labels. We study their contribution beyond the MIL setting by proposing a maximum likelihood estimation (MLE) framework, from which we derive a two-stage deep-learning-based algorithm. The algorithm identifies informative instances and assigns them local malignancy scores that are incorporated into a global malignancy prediction. We derive a lower bound of the MLE, leading to an improved training strategy based on weak supervision, that we motivate through statistical analysis. The lower bound further allows us to extend the proposed algorithm to simultaneously predict multiple bag and instance-level labels from a single output of a neural network. Experimental results demonstrate that the proposed algorithm provides competitive performance compared to several competing methods, achieves (expert) human-level performance, and allows augmentation of human decisions.

연구 동기 및 목표

• 세포병리학적 WSI에서 표준 다중 인스턴스 학습(MIL)의 한계를 해결하기 위해, 정보성 인스턴스가 희소하고 이질적인 상황을 대비한다.
• 백 단위 레이블 외에도 순서가 부여된 진단 점수와 인스턴스 수준의 정보성 및 비정상성 주석을 통합하여 악성도 예측을 향상시킨다.
• 최대우도추정(MLE)의 하한을 유도하여 약한 지도 학습 전략을 개발함으로써, 완전한 지도 정보가 없거나 노이즈가 있는 레이블에서도 모델 학습을 향상시킨다.
• 단일 신경망 출력을 통해 동시에 백 단위 악성도와 인스턴스 수준의 특성 예측을 가능하게 한다.
• 전체 슬라이드 영상에서 갑상선 악성도를 분류하는 데 있어 전문 병리학자 수준의 성능을 달성한다.

제안 방법

• 이 방법은 이단계 딥러닝 프레임워크를 도입한다: 첫 번째 단계에서는 WSI(백) 내부의 정보성 패치(인스턴스)를 식별하고, 두 번째 단계에서는 이를 국소 악성도 점수에 할당한다.
• 백 단위 악성도, 인스턴스 수준의 정보성, 비정상성, 그리고 순서가 부여된 진단 점수를 레이블로 포함하는 최대우도추정(MLE) 프레임워크를 사용하여 학습 문제를 수립한다.
• 약한 지도 학습을 가능하게 하기 위해 MLE의 하한을 유도한다. 이는 전체 지도 정보가 없을 경우에도 모델이 효과적으로 학습될 수 있도록 한다.
• 단일 신경망 출력을 공유함으로써 전역 악성도와 국소 인스턴스 특성의 공동 예측을 가능하게 한다.
• 주의 메커니즘 또는 유사한 메커니즘을 사용하여 예측된 정보성과 비정상성에 기반해 정보성 인스턴스를 식별하고 가중치를 부여한다.
• 유도된 MLE 하한을 통해 학습 전략을 최적화함으로써, 약한 지도 학습 하에서 안정성과 수렴 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 백 단위 악성도, 진단 점수, 인스턴스 수준의 정보성 및 비정상성과 같은 다중 레이블 유형을 통합함으로써, 표준 MIL을 초월하여 세포병리학적 WSI에서 갑상선 악성도 예측 성능을 향상시킬 수 있는가?
• RQ2 유도된 하한을 갖는 최대우도추정(MLE) 프레임워크는 이 맥락에서 약한 지도 학습을 어떻게 향상시키는가?
• RQ3 단일 딥러닝 모델이 한 번의 순방향 전파로 동시에 백 단위 및 인스턴스 수준의 레이블을 예측할 수 있는 정도는 어느 정도인가?
• RQ4 제안된 방법은 전체 슬라이드 영상에서 갑상선 악성도를 분류하는 데 있어 전문 병리학자 수준의 성능을 달성하는가?
• RQ5 모델이 정보성 인스턴스를 식별하고 점수를 매기는 능력이 전역 악성도 예측 향상에 어떻게 기여하는가?

주요 결과

• 제안된 알고리즘이 전체 슬라이드 영상에서 갑상선 악성도 예측에 있어 여러 최첨단 기법들과 경쟁 가능한 성능을 달성한다.
• 모델은 전문 병리학자 수준의 성능에 도달하여, 악성도 분류에서 전문가의 정확도에 맞먹는 능력을 보여준다.
• 인스턴스 수준의 정보성 및 비정상성 레이블의 통합은 WSI 내 관련 영역의 식별을 크게 향상시킨다.
• MLE 하한을 기반으로 한 약한 지도 학습 전략은 더 안정적이고 효과적인 모델 최적화를 이끌어낸다.
• 이 방법은 통합된 네트워크 아키텍처를 사용하여 동시에 다중 레이블 유형—전역 악성도와 국소 인스턴스 특성—의 예측을 가능하게 한다.
• 정보성 패치에 국소 악성도 점수를 할당할 수 있는 모델의 능력은 해석 가능성 향상과 인간 진단 결정 지원에 기여한다.