[논문 리뷰] Computer-aided Detection of Squamous Carcinoma of the Cervix in Whole Slide Images

Ye Tian, Yang Li외 8명|arXiv (Cornell University)|2019. 05. 27.

AI in cancer detection참고 문헌 37인용 수 11

한 줄 요약

이 연구는 자궁경부 조직의 전체 슬라이드 이미지(WSIs)에서 편평상피세포암(SCC)를 위한 컴퓨터 지원 진단을 위한 딥러닝 프레임워크를 제안한다. Inception-v3, InceptionResNet-v2, ResNet50 아키텍처를 사용하고, 이후 랜덤 포레스트 기반 분류를 수행한다. 이 방법은 높은 슬라이드 수준 분류 성능(AUC > 0.94)을 달성하지만, 형태학적 복잡성으로 인해 정확한 종양 국소화에 어려움을 겪으며, FROC 점수는 0.52 이하이다.

ABSTRACT

Goal: Squamous cell carcinoma of cervix is one of the most prevalent cancer worldwide in females. Traditionally, the most indispensable diagnosis of cervix squamous carcinoma is histopathological assessment which is achieved under microscope by pathologist. However, human evaluation of pathology slide is highly depending on the experience of pathologist, thus big inter- and intra-observer variability exists. Digital pathology, in combination with deep learning provides an opportunity to improve the objectivity and efficiency of histopathologic slide analysis. Methods: In this study, we obtained 800 haematoxylin and eosin stained slides from 300 patients suffered from cervix squamous carcinoma. Based on information from morphological heterogeneity in the tumor and its adjacent area, we established deep learning models using popular convolution neural network architectures (inception-v3, InceptionResnet-v2 and Resnet50). Then random forest was introduced to feature extractions and slide-based classification. Results: The overall performance of our proposed models on slide-based tumor discrimination were outstanding with an AUC scores > 0.94. While, location identifications of lesions in whole slide images were mediocre (FROC scores > 0.52) duo to the extreme complexity of tumor tissues. Conclusion: For the first time, our analysis workflow highlighted a quantitative visual-based slide analysis of cervix squamous carcinoma. Significance: This study demonstrates a pathway to assist pathologist and accelerate the diagnosis of patients by utilizing new computational approaches.

연구 동기 및 목표

• 주관적인 조직병리학적 평가로 인한 자궁경부 편평상피세포암 진단의 관찰자 간 및 관찰자 내 변동성을 줄이기 위해.
• 자궁경부 조직의 전체 슬라이드 이미지(WSIs)를 분석하기 위한 객관적이고 재현 가능하며 효율적인 계산 기반 방법을 개발하기 위해.
• 딥 컨volution 신경망(CNNs)이 WSIs 내에서 SCC를 분류하고 국소화하는 데 성능을 평가하기 위해.
• 이식 학습과 앙상블 모델을 활용하여 디지털 병리학에서 진단 정확도를 향상시키는 데의 가능성을 탐색하기 위해.
• 딥러닝을 활용한 정량적이고 시각 기반의 분석 파이프라인을 구축하여 자궁경부 SCC 탐지에 응용하기 위해.

제안 방법

• 연구는 300명의 환자로부터 확보한 800개의 헬리오스틸-염색(H&E-stained) 전체 슬라이드 이미지(WSIs)를 사용하였으며, 종양 영역에 대해 수작업으로 애너테이션을 수행하였다.
• Inception-v3, InceptionResNet-v2, ResNet50 등의 최신 CNN 아키텍처를 사용하여, WSIs에서 추출한 패치 수준 특징에 대해 피지컬 튜닝을 수행하였다.
• CNN의 풀링된 특징을 사용하여 슬라이드 수준 분류를 위한 랜덤 포레스트를 적용하여, 모델 간 앙상블 학습을 가능하게 하였다.
• 패치 기반 추론 전략을 적용하여, 각 WSI를 256×256 픽셀 패치로 분할하고, 모델 입력 및 예측을 수행하였다.
• 열매개도(heatmap)를 생성하여 WSIs 전반에 걸친 종양 확률을 시각화하였으며, 국소화 정확도 평가에 FROC(자유응답 수신기 작동 특성) 지표를 사용하였다.
• 예측의 정합성을 향상시키기 위해 후처리 기법을 적용하여 다양한 슬라이드 배치 간 일관성을 개선했다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 자궁경부 편평상피세포암이 포함되어 있는지 여부를 정확하게 분류할 수 있는가?
• RQ2 이러한 모델은 복잡하고 이질적인 자궁경부 WSI 조직 내에서 종양 영역을 얼마나 잘 국소화할 수 있는가?
• RQ3 다양한 사전 학습된 CNN 아키텍처(예: Inception-v3, ResNet50)의 비교 성능는 자궁경부 SCC 탐지에서 어떻게 나타나는가?
• RQ4 앙상블 학습은 개별 모델 대비 슬라이드 수준 분류 정확도를 얼마나 향상시키는가?
• RQ5 자궁경부 SCC WSIs의 종양 국소화에서 주요 과제는 무엇이며, 다른 종양 유형과는 어떻게 다를까?

주요 결과

• 제안된 딥러닝 모델은 AUC 점수가 0.94를 초과하여 뛰어난 슬라이드 수준 분류 성능를 달성하였다.
• 세 개의 개별 모델(A–C)을 앙상블한 결과, 분류 AUC가 0.97을 초과하여 추가로 향상되었다.
• 종양 국소화 성능는 중간 수준이었으며, FROC 점수는 0.52 이하로, 정밀한 병변 탐지에 어려움이 있음을 시사했다.
• 높은 형태학적 복잡성과 종양 영역의 산재한 분포(어떤 경우는 슬라이드당 300개 이상)가 국소화 과제에 크게 기여하였다.
• 이 프레임워크는 다양한 슬라이드 배치 간 일관된 출력을 보이며, 강건성과 재현 가능성을 입증하였다.
• 이 연구는 전체 슬라이드 이미지 기반 자궁경부 편평상피세포암 탐지에 대해 딥러닝을 성공적으로 적용한 최초의 사례로 평가된다.