[논문 리뷰] A Robust and Effective Approach Towards Accurate Metastasis Detection and pN-stage Classification in Breast Cancer

Byungjae Lee, Kyunghyun Paeng|arXiv (Cornell University)|2018. 05. 30.

AI in cancer detection참고 문헌 8인용 수 8

한 줄 요약

이 논문은 전체 슬라이드 이미지(WSI)를 사용하여 유방암에서 전이성 종양 탐지 및 pN-단계 분류를 정확하게 수행하기 위한 강건한 딥러닝 프레임워크를 제안한다. 패치 수준의 CNN 기반 전이성 종양 탐지와 랜덤 포레스트를 통한 슬라이드 수준의 림프절 분류를 융합함으로써, Camelyon17 데이터셋에서 기존 방법들을 능가하는 최신 기술 수준의 2차 가중 카파 점수 0.9203을 달성하였다. 이는 정확도 향상과 임상적으로 중요한 임상적 오진 감소를 동시에 달성한 것이다.

ABSTRACT

Predicting TNM stage is the major determinant of breast cancer prognosis and treatment. The essential part of TNM stage classification is whether the cancer has metastasized to the regional lymph nodes (N-stage). Pathologic N-stage (pN-stage) is commonly performed by pathologists detecting metastasis in histological slides. However, this diagnostic procedure is prone to misinterpretation and would normally require extensive time by pathologists because of the sheer volume of data that needs a thorough review. Automated detection of lymph node metastasis and pN-stage prediction has a great potential to reduce their workload and help the pathologist. Recent advances in convolutional neural networks (CNN) have shown significant improvements in histological slide analysis, but accuracy is not optimized because of the difficulty in the handling of gigapixel images. In this paper, we propose a robust method for metastasis detection and pN-stage classification in breast cancer from multiple gigapixel pathology images in an effective way. pN-stage is predicted by combining patch-level CNN based metastasis detector and slide-level lymph node classifier. The proposed framework achieves a state-of-the-art quadratic weighted kappa score of 0.9203 on the Camelyon17 dataset, outperforming the previous winning method of the Camelyon17 challenge.

연구 동기 및 목표

• 유방암 림프절 전이에 대한 병리학자가 수작업으로 수행하는 pN-단계 평가의 높은 작업 부담과 주관성 문제를 해결하기 위해.
• 기가피ик셀 전체 슬라이드 이미지(WSI)에서의 자동 전이성 종양 탐지 정확도와 강건성을 향상시키기 위해.
• 패치 수준 탐지와 슬라이드 수준 분류를 융합하여 임상적 의사결정 지원을 위한 신뢰할 수 있는 pN-단계 분류 시스템을 개발하기 위해.
• 조기 치료를 위해 임상적으로 중요한 임상적 오진을 줄이기 위해.

제안 방법

• 이 프레임워크는 이중 단계 파이프라인을 사용한다: 먼저, 회색 수준 임계값 기반 방법을 통해 WSI에서 관심 영역(ROIs)을 추출한다.
• 256×256 크기의 패치를 128픽셀 간격으로 ROIs에서 추출하고, ResNet101 기반 CNN을 사용하여 패치 수준에서 종양 전이를 탐지한다.
• 데이터 불균형을 해결하기 위해, 학습 중 종양 및 비종양 패치의 균형 임의 샘플링을 통해 동일한 표현 비율을 확보한다.
• 일반화 성능 향상을 위해, 무작위 회전, 반전, 염색 색상 증강(Hue, Saturation, Brightness, Contrast)을 포함한 광범위한 데이터 증강 기법을 적용한다.
• 전이 가능성 히트맵에서 슬라이드 수준 특징을 추출하며, 이는 총 전경 영역, 평균 신뢰도, 전경/배경 비율 등을 포함한다.
• 랜덤 포레스트 분류기는 11개의 수작업 특징을 사용하여 림프절 유형(음성, ITC, 마이크로, 마크로)을 예측하고, 환자 수준의 pN-단계는 집계 규칙에 의해 결정된다.

실험 결과

연구 질문

• RQ1 전체 슬라이드 이미지(WSI)를 사용한 딥러닝 프레임워크가 유방암에서 pN-단계 분류에 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ2 패치 수준 전이성 종양 탐지와 슬라이드 수준 분류를 효과적으로 융합하여 pN-단계 예측 정확도를 향상시킬 수 있는가?
• RQ3 히스토파스ولوج리 WSI에서 클래스 불균형과 도메인 이동 문제를 완화하는 데 가장 효과적인 데이터 증강 및 샘플링 전략은 무엇인가?
• RQ4 기존 방법들과 비교해 볼 때, 특히 임상적으로 중요한 ITC 및 마이크로 전이성 종양에 대해 이 프레임워크가 임상적 오진 예측을 줄일 수 있는가?

주요 결과

• 제안된 방법은 Camelyon17 테스트 세트에서 환자 수준의 2차 가중 카파 점수 0.9203을 기록하여 새로운 최신 기술 수준 기준을 설정하였다.
• Camelyon16 테스트 세트에서 전이성 종양 탐지 모듈은 AUC 0.9853과 FROC 0.8552를 기록하여, 추가적인 기능 없이도 뛰어난 성능을 보였다.
• 이전 우승 메서드(HMS-MGH-CCDS)에 비해 특히 ITC 및 마이크로 전이성 종양에 대해 임상적 오진 예측을 크게 감소시켰다.
• Camelyon17에서의 오차 행렬 분석 결과, 마크로 전이성 종양에 대해 91.06%의 정확도와 마이크로 전이성 종양에 대해 85.54%의 정확도를 기록하였으며, 런업 메서드보다 낮은 임상적 오진 비율을 확보하였다.
• 세 개의 CNN 모델을 앙상블하여 5겹 교차 검증에서 환자 수준의 카파 점수를 0.9455까지 향상시켜, 모델 앙상블의 효과를 확인하였다.
• Camelyon17 랭킹에서 이전 우승 팀(HMS-MGH-CCDS, 카파 점수 0.8958)을 포함한 모든 다른 참가자들보다 뛰어난 성능을 보였다.