[논문 리뷰] A Deep Learning Framework for Automatic Diagnosis in Lung Cancer

Nikolay Burlutskiy, Feng Gu외 3명|arXiv (Cornell University)|2018. 07. 27.

Radiomics and Machine Learning in Medical Imaging참고 문헌 7인용 수 11

한 줄 요약

이 논문은 H&E 염색 처리된 전체 슬라이드 이미지를 사용하여 조직 미세진열도(TMAs)에서 폐암 병변을 자동으로 분할하는 딥러닝 프레임워크를 제시한다. 전문가가 주석을付けた 712명의 환자 코어를 기반으로 훈련된 프레임워크는 픽셀 수준의 암 검출에서 80% 정밀도와 86% 재현율을 달성하였으며, U-Net 및 123S 모델은 임상 및 공개된 스탠포드 TMA 데이터셋 모두에서 뛰어난 성능을 보였다.

ABSTRACT

We developed a deep learning framework that helps to automatically identify and segment lung cancer areas in patients' tissue specimens. The study was based on a cohort of lung cancer patients operated at the Uppsala University Hospital. The tissues were reviewed by lung pathologists and then the cores were compiled to tissue micro-arrays (TMAs). For experiments, hematoxylin-eosin stained slides from 712 patients were scanned and then manually annotated. Then these scans and annotations were used to train segmentation models of the developed framework. The performance of the developed deep learning framework was evaluated on fully annotated TMA cores from 178 patients reaching pixel-wise precision of 0.80 and recall of 0.86. Finally, publicly available Stanford TMA cores were used to demonstrate high performance of the framework qualitatively.

연구 동기 및 목표

• 병리의사의 작업 부담과 변동성을 줄이기 위해 조직 미세진열도(TMAs)에서 폐암을 자동으로 분할하는 딥러닝 프레임워크를 개발하는 것.
• GPU 메모리 용량을 초과하는 고해상도 전체 슬라이드 이미지를 처리하는 과제를 해결하기 위해 패치 기반 의미 분할 기법을 사용하는 것.
• 전문가가 주석을付け한 712명의 폐암 환자로 구성된 균형 잡힌 코hort에서 모델 성능을 평가하는 것.
• 훈련된 모델을 공개된 스탠포드 TMA 데이터셋에 적용하여 일반화 가능성을 입증하는 것.
• 임상 진단 지원을 위한 디지털 병리학 워크플로우를 지원하는 강력하고 확장 가능한 솔루션을 제공하는 것.

제안 방법

• 프레임워크는 고해상도 TMA 슬라이드(0.5 μm/픽셀)를 처리하기 위해 패치 기반 접근 방식을 사용하여 더 작은 이미지 패치로 분할한다.
• 다섯 가지 조직 유형(암, stroma, 괴사, 정상 폐, 제외 영역)을 위한 의미 분할을 위해 일곱 개의 딥 네트워크—123S, dilatednet, drn-C26, drn-C42, unet, densenet-D56, densenet-D103—을 훈련시켰다.
• 이진 분류(암 대비 비암)를 위해 시그모이드 교차 엔트로피 손실 함수를 사용하였으며, 예측값은 시그모이드 함수 σ(z) = 1 / (1 + exp(-z))를 통해 변환되었다.
• 학습을 위해 Adam 옵timizer를 사용하여 GPU 클러스터(10대의 TitanXp GPU)에서 모든 모델이 효율적으로 수렴하도록 하였다.
• 예측된 패치를 조합하여 전체 TMA 코어 예측을 재구성하였으며, 공간 일관성을 유지하였다.
• 테스트 코어의 픽셀 수준 평가를 바탕으로 정밀도와 재현율을 균형 잡는 최적의 임계값을 선정하였다.

실험 결과

연구 질문

• RQ1 GPU 메모리 제약에도 불구하고, 딥러닝 프레임워크가 고해상도 전체 슬라이드 TMA 이미지에서 높은 정밀도의 픽셀 수준 분할을 달성할 수 있는가?
• RQ2 다양한 최신 의미 분할 아키텍처가 H&E 염색 처리된 폐 조직에서 암 병변을 분류하는 데 어떻게 성능을 내는가?
• RQ3 훈련된 모델이 스탠포드 TMA 코어와 같은 외부 데이터셋으로 일반화되는 정도는 어느 정도인가?
• RQ4 전문가 주석 품질과 모델 아키텍처 선택이 임상 병리학적 맥락에서 분할 성능에 미치는 영향은 무엇인가?
• RQ5 병리의사들이 실제 진단 환경에서 픽셀 수준의 딥러닝 예측 정확도를 신뢰성 있게 검증할 수 있는가?

주요 결과

• 123S 및 U-Net 모델이 테스트 셋의 178명 환자 코어에서 가장 높은 성능을 보이며 각각 80% 정밀도와 86% 재현율을 달성하였다.
• 프레임워크는 강력한 일반화 능력을 보였으며, 병리의사들이 공개된 스탠포드 TMA 코어에서 고품질의 정확한 암 히트맵을 제공했다고 평가하였다.
• unet 및 123S 모델은 정밀도와 재현율 모두에서 다른 아키텍처를 압도하여 뛰어난 특징 학습 능력과 공간 정렬 능력을 보였다.
• 암, stroma, 괴사, 정상 조직 유형 간 균형 잡힌 데이터셋 사용이 안정적이고 신뢰할 수 있는 모델 성능을 기여하였다.
• 패치 기반 처리 전략은 GPU 메모리 용량을 초과하는 고해상도 전체 슬라이드 이미지의 효과적 처리를 가능하게 하였다.
• 프레임워크가 세밀한 픽셀 수준의 예측을 생성할 수 있는 능력은 임상 진단 지원 및 디지털 병리학 워크플로우에서의 잠재적 응용 가능성을 시사한다.