[논문 리뷰] Automated Diagnosis of Lymphoma with Digital Pathology Images Using Deep Learning

Hanadi El Achi, Т. А. Белоусова외 7명|PubMed|2018. 10. 30.

AI in cancer detection인용 수 48

한 줄 요약

본 논문은 디지털 병리 이미지를 바탕으로 네 가지 범주에서 림프종을 진단하는 CNN 기반 시스템을 제시하며, 이미지별 정확도가 높고 작업 흐름 보강에서 개념적 가능성을 시연한다.

ABSTRACT

Recent studies have shown promising results in using Deep Learning to detect malignancy in whole slide imaging, however, they were limited to just predicting a positive or negative finding for a specific neoplasm. We attempted to use Deep Learning with a convolutional neural network (CNN) algorithm to build a lymphoma diagnostic model for four diagnostic categories: (1) benign lymph node, (2) diffuse large B-cell lymphoma, (3) Burkitt lymphoma, and (4) small lymphocytic lymphoma. Our software was written in Python language. We obtained digital whole-slide images of Hematoxylin and Eosin stained slides of 128 cases including 32 cases for each diagnostic category. Four sets of 5 representative images, 40x40 pixels in dimension, were taken for each case. A total of 2,560 images were obtained from which 1,856 were used for training, 464 for validation, and 240 for testing. For each test set of 5 images, the predicted diagnosis was combined from the prediction of five images. The test results showed excellent diagnostic accuracy at 95% for image-by-image prediction and at 100% for set-by-set prediction. This preliminary study provided a proof of concept for incorporating automated lymphoma diagnostic screen into future pathology work-flow to augment the pathologists' productivity.

연구 동기 및 목표

• 전장 슬라이드 이미징에서 자동화된 림프종 진단을 위한 딥러닝의 필요성 제시 및 평가.
• 네 가지 진단 범주를 분류하기 위한 합성 신경망(CNN) 접근법을 개발.
• WSI에서 추출된 큐레이션된 이미지 패치의 레이블이 지정된 데이터세트에서 성능 평가.
• 병리학 워크플로우에 자동 스크리닝을 통합하기 위한 개념 증명을 제공.

제안 방법

• 이미지 패치를 처리하기 위해 Python으로 구현된 CNN 기반 모델을 사용합니다.
• 네 가지 진단 범주(benign lymph node, DLBCL, Burkitt lymphoma, small lymphocytic lymphoma)를 가진 128 케이스의 데이터세트를 구성합니다.
• 대표적인 40x40 px 이미지의 네 세트를 추출(케이스당 5개) 총 2,560 패치.
• 데이터를 학습(1,856), 검증(464), 테스트(240) 패치로 분할합니다.

실험 결과

연구 질문

• RQ1 CNN 기반 접근법이 40x40 픽셀 패치에서 네 가지 림프구 진단 범주를 구분할 수 있습니까?
• RQ2 패치 수준 대 케이스/세트 수준에서의 진단 성능은 어떠합니까?
• RQ3 병리학 워크플로우의 보강 도구로 자동 패치 기반 스크리닝이 가능한가요?

주요 결과

• 테스트 세트에서 이미지별 예측 정확도 95%.
• 테스트 세트에서 세트별(5이미지) 예측 정확도 10%.
• 데이터세트는 각 범주가 균형 있게 표현된 128개의 케이스로 구성됩니다(각 범주당 32개).
• 자동 림프종 진단을 병리 워크플로우에 통합하기 위한 개념 증명을 시연합니다.
• 이 접근법은 딥러닝이 병리학자들이 림프종 선별에 도움을 줄 수 있다는 초기 근거를 제공합니다.