[논문 리뷰] Computational Pathology: A Survey Review and The Way Forward

Mahdi S. Hosseini, Babak Ehteshami Bejnordi외 19명|arXiv (Cornell University)|2023. 04. 11.

AI in cancer detection인용 수 6

한 줄 요약

이 논문은 700篇 이상의 논문을 분석하여 계산 기반 병리학(CPath) 분야의 전반적인 풍경을 데이터, 모델, 응용 차원에서 분석하는 종합적인 서베이를 제시한다. 이는 핵심 연구를 카탈로그화하기 위해 모델카드 프레임워크를 도입하고, 자기지도 학습 및 시각-언어 모델과 같은 추세를 규명하며, 디지털 병리학 분야의 임상 통합 및 기술 혁신을 위한 과제와 향후 방향성을 제시한다.

ABSTRACT

Computational Pathology CPath is an interdisciplinary science that augments developments of computational approaches to analyze and model medical histopathology images. The main objective for CPath is to develop infrastructure and workflows of digital diagnostics as an assistive CAD system for clinical pathology, facilitating transformational changes in the diagnosis and treatment of cancer that are mainly address by CPath tools. With evergrowing developments in deep learning and computer vision algorithms, and the ease of the data flow from digital pathology, currently CPath is witnessing a paradigm shift. Despite the sheer volume of engineering and scientific works being introduced for cancer image analysis, there is still a considerable gap of adopting and integrating these algorithms in clinical practice. This raises a significant question regarding the direction and trends that are undertaken in CPath. In this article we provide a comprehensive review of more than 800 papers to address the challenges faced in problem design all-the-way to the application and implementation viewpoints. We have catalogued each paper into a model-card by examining the key works and challenges faced to layout the current landscape in CPath. We hope this helps the community to locate relevant works and facilitate understanding of the field's future directions. In a nutshell, we oversee the CPath developments in cycle of stages which are required to be cohesively linked together to address the challenges associated with such multidisciplinary science. We overview this cycle from different perspectives of data-centric, model-centric, and application-centric problems. We finally sketch remaining challenges and provide directions for future technical developments and clinical integration of CPath (https://github.com/AtlasAnalyticsLab/CPath_Survey).

연구 동기 및 목표

• 데이터, 모델, 응용 차원에서 700편 이상의 계산 기반 병리학 논문을 체계적으로 검토하고 분류하기.
• 임상 도입, 데이터 품질, 모델 일반화, 규제 준수와 관련된 주요 과제 규명하기.
• 작업, 아키텍처, 데이터셋 기반으로 관련 CPath 연구를 조직하고 검색할 수 있도록 모델카드 프레임워크 제안하기.
• 자기지도 학습, 시각-언어 모델, 합성 데이터 생성과 같은 새로운 추세 지ap 맵핑하기.
• 임상 일치성 향상, 다기관 협업, CPath 전용 아키텍처 설계 향한 향후 연구 방향 제시하기.

제안 방법

• 작업, 데이터셋, 모델 아키텍처, 임상 응용 기반으로 700편 이상의 CPath 논문을 체계적으로 문헌 검토 수행.
• 핵심 속성(작업 유형, 데이터 모odal, 모델 아키텍처, 평가 지표, 임상 관련성)을 기록하기 위한 표준화된 모델카드 템플릿 개발.
• CPath에서의 딥러닝 아키텍처의 진화를 맵핑함: CNN, Transformer, MIL, 시각-언어 모델 포함.
• 데이터 중심 접근 방식의 추세 분석: 염색 정규화, GAN 기반 합성 데이터 생성, 자기지도 대비 학습.
• 임상 유효성 검증 관행과 규제 경로 평가, 특히 디지털 병리학 도구의 FDA 승인 절차 중심 분석.
• 데이터셋 다양성, 애너테이션 품질, 다기관 협업 부족 등 격차 규명하고, 피어드된 학습 및 다중 도메인 학습을 해결책으로 제안.

실험 결과

연구 질문

• RQ1 계산 기반 병리학 연구에서 우세한 모델 아키텍처와 학습 패러다임은 무엇인가?
• RQ2 데이터 수집, 애너테이션, 전처리 관행이 모델 일반화와 임상 유용성에 어떤 영향을 미치는가?
• RQ3 CPath 도구의 임상 도입을 방해하는 주요 장애물은 무엇이며, 이를 어떻게 해결할 수 있는가?
• RQ4 자기지도 학습 및 시각-언어 모델과 같은 신기술이 해석 가능성과 성능을 어떻게 향상시키는가?
• RQ5 정기적인 임상 워크플로우에 CPath를 통합하기 위한 가장 시급한 기술적 및 제도적 과제는 무엇인가?

주요 결과

• 대비 자기지도 학습은 낮은 데이터 환경에서 소수의 샘플로 일반화 성능을 향상시키는 주류 접근 방식으로 부상했다.
• 시각-언어 모델은 임상 보고서와 시각적 특징을 정렬함으로써 설명 가능한 예측을 생성하는 데 점점 더 널리 사용되고 있다.
• GAN 기반 합성 데이터 생성은 CPath에서 학습 및 데이터 증강을 지원할 정도로 현실감 있는 수준에 도달했다.
• 다중 예제 학습(MIL) 및 주의 기반 MIL 모델은 전체 슬라이드 이미지 분류 및 생존 예측에서 뛰어난 성능을 보였다.
• 다양한 진전에도 불구하고 CPath 도구 중 임상 유효성 검증 또는 FDA 승인을 받은 비율은 매우 낮아 연구와 실천 사이의 심각한 격차를 드러냈다.
• 피어드된 학습 및 다중 기관 학습 프레임워크는 기관 간에 강력하고 개인정보 보호를 고려한 CPath 시스템을 구축하는 데 필수적인 요소로 부상하고 있다.