[논문 리뷰] Deep Learning Assessment of Tumor Proliferation in Breast Cancer Histological Images

Manan Shah, Christopher A. Rubadue외 2명|arXiv (Cornell University)|2016. 10. 11.

AI in cancer detection참고 문헌 15인용 수 6

한 줄 요약

이 연구는 전체 슬라이드 이미지(WSIs)에서 유방암 종양 증식을 예측하기 위해 생물학적으로 관련성이 높은 다수의 분류기를 통합한 딥러닝 파이프라인을 제안한다. 이는 종양 치료 수준의 정확도(ROC: 0.78)로 종양 심각도를 분류하고, 스피어만 상관계수 0.60으로 분자의 RNA 발현을 예측하며, 종양 진행과 관련된 200개 이상의 새로운 영상 기반 생물학적 지표를 규명한다.

ABSTRACT

Current analysis of tumor proliferation, the most salient prognostic biomarker for invasive breast cancer, is limited to subjective mitosis counting by pathologists in localized regions of tissue images. This study presents the first data-driven integrative approach to characterize the severity of tumor growth and spread on a categorical and molecular level, utilizing multiple biologically salient deep learning classifiers to develop a comprehensive prognostic model. Our approach achieves pathologist-level performance on three-class categorical tumor severity prediction. It additionally pioneers prediction of molecular expression data from a tissue image, obtaining a Spearman's rank correlation coefficient of 0.60 with ex vivo mean calculated RNA expression. Furthermore, our framework is applied to identify over two hundred unprecedented biomarkers critical to the accurate assessment of tumor proliferation, validating our proposed integrative pipeline as the first to holistically and objectively analyze histopathological images.

연구 동기 및 목표

• 유방암 조직학에서 종양 증식을 객관적으로 평가하기 위한 데이터 기반, 통합형 딥러닝 모델을 개발하기 위해.
• 낮은 재현성과 범위 제한으로 인해 주관적이고 수작업으로 수행되는 미토시스 수세기 방식을 개선하기 위해.
• 히스토파일러티 이미지에서 분자의 RNA 발현 수준을 예측하여 비침습적 예후 평가를 가능하게 하기 위해.
• 종양 증식과 질병 진행과 관련된 영상 유도 생물학적 지표를 식별하기 위해.
• 유방암 이외의 다른 암 유형에도 일반화 가능한 프레임워크를 구축하기 위해.

제안 방법

• 다중 센터 데이터셋의 염색 변동성을 보정하기 위해 WSI 색상 표준화(WSICS)를 적용하였다.
• RGB 이미지를 HSV로 변환한 후 오츠 방법을 사용하여 조직 영역을 추출하고, 이진 팽창을 통해 잡음 제거하였다.
• 10× 배율의 WSI에서 4개의 CNN 아키텍처(특수 설계된 LocNet 네트워크 포함)를 훈련시켜 전이성 종양 확률 히트맵을 생성하여 전이 부위를 국소화하였다.
• 40× 배율의 완전 컨volution 신경망인 MitosNet을 사용하여 미토시스를 탐지하고, 각각의 이미지에서 4,096차원의 깊은 특징을 추출하였다.
• 모든 미토시스 특징을 200차원 공간에서 k-means 군집화를 통해 고정 길이의 200항 히스토GRAM으로 변환하였다.
• 종양 국소화, 일반 WSI 특징, 그리고 미토시스 특화 특징을 통합하여 종류 분류(0–2) 및 분자의 RNA 발현 회귀 모델을 구축하였다.

실험 결과

연구 질문

• RQ1 딥러닝 파이프라인이 H&E 염색 전체 슬라이드 이미지에서 병리의사 수준의 성능을 달성할 수 있는가?
• RQ2 히스토파일러티 이미지만으로 종양 증식과 관련된 분자의 RNA 발현 수준을 예측할 수 있는가?
• RQ3 어떤 새로운 영상 기반 생물학적 지표가 종양 증식과 질병 진행을 예측하는 데 유의미한가?
• RQ4 미토시스의 깊은 특징과 조직 구조 특징이 예후 모델링에 어떻게 기여하는가?
• RQ5 종료에서 종료까지의 데이터 기반 프레임워크가 다수의 생물학적 작업을 통합하여 수작업 평가를 초월해 유방암 예후를 향상시킬 수 있는가?

주요 결과

• 모델은 세 가지 종류의 종양 심각도 예측에서 마이크로 평균 AUROC가 0.78를 기록하였으며, 정확도는 0.72(95% CI: 0.67–0.76)였고, 병리의사 간 일치도(0.79)에 매우 가까운 성능을 보였다.
• 이 파이프라인은 분자의 RNA 발현을 스피어만 순위 상관계수 0.60(p < 0.001)로 예측하여, 히스토파일러티 이미지에서의 첫 번째 예측 사례로 기록되었다.
• 모델은 RNA 발현 회귀에서 평균 제곱오차가 0.119를 기록하여 강력한 예측 성능를 입증하였다.
• 미토시스 수와 미토시스 핵의 면적 표준편차는 유의미한 생물학적 지표로 확인되었으며, p < 0.005였다.
• WSI 전체에서의 평균 미토시스 타원도는 종양 증식의 새로운 생물학적으로 관련성이 높은 예측 지표로 규명되었다.
• 200개 이상의 이전에 알려지지 않은 영상 기반 생물학적 지표가 발견되었으며, 이는 미토시스의 저수준 구성 패턴과 조직의 구성적 특징을 포함한다.