[논문 리뷰] ConvPath: A Software Tool for Lung Adenocarcinoma Digital Pathological Image Analysis Aided by Convolutional Neural Network

Shidan Wang, Tao Wang외 12명|arXiv (Cornell University)|2018. 09. 20.

AI in cancer detection참고 문헌 23인용 수 11

한 줄 요약

ConvPath는 심층 학습 기반 소프트웨어 도구로, 컨volutional 신경망(CNN) 기반 파이프라인을 사용하여 폐 미세형 선암세포 조직병리 슬라이드를 자동으로 분석한다. 이 도구는 세포핵을 분할하고 독립적 테스트 데이터에서 90.1%의 정확도로 종양, 간질, 림프구 세포를 분류하며, 종양 미세환경 특징을 추출하기 위해 공간 지도를 생성하여 임상 변수를 보정한 후 생존 예측을 독립적으로 수행한다.

ABSTRACT

The spatial distributions of different types of cells could reveal a cancer cell growth pattern, its relationships with the tumor microenvironment and the immune response of the body, all of which represent key hallmarks of cancer. However, manually recognizing and localizing all the cells in pathology slides are almost impossible. In this study, we developed an automated cell type classification pipeline, ConvPath, which includes nuclei segmentation, convolutional neural network-based tumor, stromal and lymphocytes classification, and extraction of tumor microenvironment related features for lung cancer pathology images. The overall classification accuracy is 92.9% and 90.1% in training and independent testing datasets, respectively. By identifying cells and classifying cell types, this pipeline can convert a pathology image into a spatial map of tumor, stromal and lymphocyte cells. From this spatial map, we can extracted features that characterize the tumor micro-environment. Based on these features, we developed an image feature-based prognostic model and validated the model in two independent cohorts. The predicted risk group serves as an independent prognostic factor, after adjusting for clinical variables that include age, gender, smoking status, and stage.

연구 동기 및 목표

• 폐 미세형 선암세포 병리 슬라이드에서 수작업으로 시간이 오래 걸리는 세포 유형 식별 문제를 해결하기 위해.
• 디지털 전체 슬라이드 이미지에서 세포핵 분할 및 세포 유형 분류를 위한 자동화된 파이프라인 개발을 위해.
• 종양, 간질, 림프구 세포 등의 종양 미세환경 구성 요소의 공간 특징을 추출하여 후속 예후 모델링을 위해.
• CNN 기반 영상 특징 모델이 폐 미세형 선암세포에서 독립적인 예후 요소로 유효한지 검증하기 위해.
• 임상 및 연구 목적을 위한 재현 가능하고 오픈소스 소프트웨어 도구를 제공하기 위해.

제안 방법

• 파이프라인은 심층 학습 기반 인스턴스 분할 방법을 사용해 세포핵 분할로 시작된다.
• 분할된 세포핵을 종양, 간질, 림프구 세포로 분류하기 위해 컨volutional 신경망(CNN)이 훈련된다.
• 분류 결과에서 세포 분포의 공간 지도를 생성하여 종양 미세환경 구조를 표현한다.
• 세포 밀도, 공간 패턴, 근접도 지표 등을 포함한 영상 수준의 특징을 공간 지도에서 추출한다.
• 이러한 영상 유도 특징을 사용하여 예후 모델을 구축하고 두 개의 독립적 환자 코hort에서 검증한다.
• 나이, 성별, 흡연 상태 및 종양 단계를 보정한 후 Cox 비례 위험 회귀를 사용하여 예후 성능을 평가한다.

실험 결과

연구 질문

• RQ1 심층 학습 기반 파이프라인이 폐 미세형 선암세포 전체 슬라이드 영상에서 종양, 간질, 림프구 세포를 정확하게 분류할 수 있는가?
• RQ2 세포 분포 지도에서 유도된 공간 특징이 임상 변수와 독립적으로 환자의 생존을 예측할 수 있는가?
• RQ3 CNN 기반 영상 특징 모델이 기존 임상 단계 분류보다 우월하거나 보완적인 예후 예측 성능을 보이는가?
• RQ4 자동화된 파이프라인이 종양 미세환경의 재현 가능하고 생물학적으로 해석 가능한 공간 패턴을 생성할 수 있는가?
• RQ5 독립적 환자 코hort에서 검증했을 때 예후 모델이 강건한가?

주요 결과

• CNN 모델의 총 분류 정확도는 훈련 데이터셋에서 92.9%이며, 독립적 테스트 데이터셋에서는 90.1%에 도달했다.
• 영상 특징 기반 예후 모델은 나이, 성별, 흡연 상태 및 종양 단계를 보정한 후 생존 예측의 독립적 예측 요소로 기능했다.
• 모델은 유의미한 생존 결과 차이를 보이는 고위험군과 저위험군으로 환자를 성공적으로 분류했다.
• 종양, 간질, 림프구 세포의 공간 분포는 ConvPath 파이프라인을 통해 효과적으로 캡처되고 정량화되었다.
• 이 도구는 두 개의 독립적 환자 코hort에서 강건성과 재현 가능성을 입증하여 임상 잠재력을 입증했다.
• 심층 학습과 디지털 병리학의 통합은 종양 미세환경 특징의 고속, 객관적, 확장 가능한 분석을 가능하게 한다.