[논문 리뷰] Bridging the gap between prostate radiology and pathology through machine learning

Indrani Bhattacharya, David Lim외 12명|arXiv (Cornell University)|2021. 12. 03.

Prostate Cancer Diagnosis and Treatment참고 문헌 51인용 수 17

한 줄 요약

이 연구는 전체 화이트마운트 조직병리학 영상에서 유도된 딥러닝 기반의 디지털 병리학자 레이블을 사용하여, MRI에서 전립선암을 탐지하고 국소화하기 위한 머신러닝 모델의 훈련 레이블로 활용하는 것을 제안한다. 이러한 레이블은 방사선의학자 및 병리학자가 레이블링한 레이블보다 더 정확하고 일관되며 일반화 능력이 뛰어나, 다양한 모델 아키텍처와 환자 집단에서 공격성 있는 암과 무증상 암 성분을 모두 더 잘 탐지할 수 있다.

ABSTRACT

Prostate cancer is the second deadliest cancer for American men. While Magnetic Resonance Imaging (MRI) is increasingly used to guide targeted biopsies for prostate cancer diagnosis, its utility remains limited due to high rates of false positives and false negatives as well as low inter-reader agreements. Machine learning methods to detect and localize cancer on prostate MRI can help standardize radiologist interpretations. However, existing machine learning methods vary not only in model architecture, but also in the ground truth labeling strategies used for model training. In this study, we compare different labeling strategies, namely, pathology-confirmed radiologist labels, pathologist labels on whole-mount histopathology images, and lesion-level and pixel-level digital pathologist labels (previously validated deep learning algorithm on histopathology images to predict pixel-level Gleason patterns) on whole-mount histopathology images. We analyse the effects these labels have on the performance of the trained machine learning models. Our experiments show that (1) radiologist labels and models trained with them can miss cancers, or underestimate cancer extent, (2) digital pathologist labels and models trained with them have high concordance with pathologist labels, and (3) models trained with digital pathologist labels achieve the best performance in prostate cancer detection in two different cohorts with different disease distributions, irrespective of the model architecture used. Digital pathologist labels can reduce challenges associated with human annotations, including labor, time, inter- and intra-reader variability, and can help bridge the gap between prostate radiology and pathology by enabling the training of reliable machine learning models to detect and localize prostate cancer on MRI.

연구 동기 및 목표

• 인간의 레이블링이 일관성 없고 오류가 많아 발생하는 전립선 영상의 방사선학과 병리학 간 암 탐지 격차를 해소하기 위해.
• 방사선의학자 레이블의 한계를 극복하기 위해, 고율의 가짜 양성/음성 결과와 독자 간 변동성을 포함한 문제점을 해결하기 위해.
• 다양한 레이블링 전략(방사선의학자, 병리학자, 디지털 병리학자 레이블)이 머신러닝 모델의 전립선 MRI 해석 성능에 미치는 영향을 평가하기 위해.
• 딥러닝을 통해 조직병리학 영상에서 유도된 디지털 병리학자 레이블이 다양한 데이터셋과 아키텍처에서 더 뛰어난 성능과 일반화 능력을 보여줄 수 있음을 입증하기 위해.
• 혼합 병변에서 공격성 있는 암과 무증상 암 성분을 선택적으로 식별할 수 있도록 하여, 인간이 레이블링한 레이블로는 달성할 수 없는 능력을 제공하기 위해.

제안 방법

• SPCNet, U-Net, 브랜치형 U-Net, DeepLabv3+의 네 가지 딥러닝 모델을 전립선 MRI에 대해 훈련시켰으며, 레이블 유형으로는 방사선의학자 확인 레이블, 병리학자 레이블, 디지털 병리학자 레이블을 각각 사용하였다.
• 모든 병리학 기반 레이블(병리학자 및 디지털 병리학자 레이블)을 자동화된 MRI-조직병리학 정렬 플랫폼을 통해 전수술 전 MRI에 매핑하였다.
• 이전에 검증된 딥러닝 알고리즘을 활용하여 전체 화이트마운트 조직병리학 슬라이드에서 픽셀 수준의 글리슨 패턴 레이블을 생성하였으며, 이를 디지털 병리학자 레이블로 활용하였다.
• 두 개의 독립된 코hort에서 성능을 평가하였다: 40명의 전립선 절제술 환자(전체 화이트마운트 조직병리학 포함)와 275명의 타겟 생검 환자.
• 성능 평가 지표로는 ROC-AUC, 딜레 계수, 병변 부피 오버랩 등 병변 수준 및 픽셀 수준의 지표를 측정하였다.
• 레이블 유형과 모델 아키텍처 간의 성능 비교를 통해 레이블링 전략의 영향을 분리하여 분석하였다.

실험 결과

연구 질문

• RQ1 방사선의학자 확인 레이블, 병리학자 레이블, 디지털 병리학자 레이블 등 다양한 레이블링 전략이 MRI에서 전립선암 탐지에 대한 딥러닝 모델 성능에 어떤 영향을 미치는가?
• RQ2 조직병리학에서 자동으로 글리슨 패턴을 예측하는 데 사용된 딥러닝 기반으로 유도된 디지털 병리학자 레이블이 인간 레이블링 대안으로서 신뢰성 있고 확장 가능한가?
• RQ3 디지털 병리학자 레이블을 사용할 경우, 혼합 병변에서 공격성 있는 암과 무증상 암 성분의 탐지 능력이 인간 레이블링 방식보다 향상되는가?
• RQ4 다양한 딥러닝 아키텍처에서 서로 다른 레이블 유형으로 훈련된 모델의 성능는 어떻게 변화하는가?
• RQ5 디지털 병리학자 레이블은 독자 간 및 독자 내 변동성을 얼마나 줄이고, 다양한 임상 코hort 간의 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 디지털 병리학자 레이블은 병리학자 레이블과 거의 완벽한 일치를 보였으며(병변 ROC-AUC: 0.97–1.00, 딜레 계수: 0.75–0.93), 이는 방사선의학자 레이블보다 유의미하게 뛰어난 성능을 보였다.
• 디지털 병리학자 레이블로 훈련된 머신러닝 모델은 전립선 절제술 환자 코hort에서 병변 탐지 성능이 가장 높았다(공격성 병변 ROC-AUC: 0.91–0.94).
• 타겟 생검 환자 코hort에서는 디지털 병리학자 레이블로 훈련된 모델이 병리학자 레이블로 훈련된 모델의 성능을 맞추거나 초월하였다(공격성 병변 ROC-AUC: 0.87–0.88).
• 디지털 병리학자 레이블로 훈련된 모델만이 혼합 병변 내에서 공격성 있는 암과 무증상 암 성분을 픽셀 수준에서 구분할 수 있었으며, 이는 인간 레이블링 방식으로는 달성할 수 없는 능력이었다.
• 디지털 병리학자 레이블의 성능 우월성은 SPCNet, U-Net, 브랜치형 U-Net, DeepLabv3+의 네 가지 딥러닝 아키텍처 전반에서 일관되게 나타났으며, 이는 레이블링 전략의 효과가 모델 아키텍처와 독립적임을 시사한다.
• 방사선의학자 레이블은 병리학적으로 확인된 병변의 최대 25%를 놓쳤으며, 낮은 딜레 계수 오버랩(0.24–0.28)을 보였으며, 이는 신뢰할 수 있는 모델 훈련을 위한 한계를 드러냈다.