[논문 리뷰] Deep learning-based assessment of tumor-associated stroma for diagnosing breast cancer in histopathology images

Babak Ehteshami Bejnordi, Jimmy Linz외 7명|arXiv (Cornell University)|2017. 02. 19.

AI in cancer detection인용 수 4

한 줄 요약

이 연구는 H&E 색소 처리된 전체 슬라이드 이미지에서 종양 관련 기질을 분석함으로써 유방암을 진단하는 딥러닝 시스템을 제안한다. 두 개의 합성곱 신경망(CNN)을 사용하여 조직 성분과 기질 특징을 분류하고, 악성 종양과 양성 질환을 구분하는 데 AUC 0.921을 달성하여 기질이 진단 생물학적 표지자로서 강력한 분류 능력을 지닌다는 것을 입증한다.

ABSTRACT

Diagnosis of breast carcinomas has so far been limited to the morphological interpretation of epithelial cells and the assessment of epithelial tissue architecture. Consequently, most of the automated systems have focused on characterizing the epithelial regions of the breast to detect cancer. In this paper, we propose a system for classification of hematoxylin and eosin (H&E) stained breast specimens based on convolutional neural networks that primarily targets the assessment of tumor-associated stroma to diagnose breast cancer patients. We evaluate the performance of our proposed system using a large cohort containing 646 breast tissue biopsies. Our evaluations show that the proposed system achieves an area under ROC of 0.92, demonstrating the discriminative power of previously neglected tumor-associated stroma as a diagnostic biomarker.

연구 동기 및 목표

• 유방암을 진단하기 위해 상피세포 특징이 아닌 기질 형태를 중심으로 하는 데이터 기반 시스템을 개발하는 것.
• 이전에 간과되었던 종양 관련 기질이 조직병리학에서 강력한 진단 생물학적 표지자로 기능할 수 있는지 조사하는 것.
• 수작업으로 만든 특징의 한계를 극복하기 위해 딥러닝을 활용해 기질 형태 표현을 자동으로 학습하는 것.
• 최소한의 수동 애너테이션으로 엔드 투 엔드 딥러닝을 활용해 대규모 전체 슬라이드 이미지 분류를 가능하게 하는 것.
• 기질 기반 분류의 성능을 악성 유방암과 양성 유방 질환 간에 구분하는 데 평가하는 것.

제안 방법

• 전체 슬라이드 이미지를 사용하여 상피세포, 기질, 지방조직으로 조직을 분류하기 위해 11층의 VGG 유사 CNN(CNN I)을 훈련시켰다.
• 병리학자들이 애너테이션한 영역을 사용하여 정상 기질과 종양 관련 기질을 분류하기 위해 두 번째 CNN(CNN II)을 훈련시켰다.
• 임의의 크기의 전체 슬라이드 이미지를 처리할 수 있도록 완전히 연결된 층 대신 1×1 합성곱 층을 사용했다.
• 두 CNN에서 특징을 추출함: CNN I에서는 전반적인 조직 분포, CNN II에서는 기질 특징.
• 두 특징 집합을 결합하여 랜덤 포레스트 분류기를 훈련시켜 전체 슬라이드를 암 또는 비암으로 분류하는 데 사용했다.
• 일반화 성능 향상을 위해 훈련 중에 어려운 부정 예측값(_hard negative mining_)을 재훈련함으로써 개선하였다.

실험 결과

연구 질문

• RQ1 H&E 색소 처리된 전체 슬라이드 이미지에서 종양 관련 기질이 유방암의 신뢰할 수 있는 진단 생물학적 표지자로 사용될 수 있는가?
• RQ2 유방암 분류에서 상피세포 중심 접근법보다 기질 형태에 초점을 맞춘 딥러닝 기반 시스템이 더 뛰어난 성능을 보일 수 있는가?
• RQ3 수작업으로 만든 형태 기반 서술자에 의존하지 않고도 엔드 투 엔드 딥러닝 모델이 자동으로 분류 가능한 기질 특징을 학습할 수 있는가?
• RQ4 기질 중심 시스템의 진단 성능는 악성 유방암과 양성 유방 질환 간에 구분하는 데 어떻게 되는가?
• RQ5 기질 특징은 유방암 진단에서 예측 능력 면에서 상피세포 특징보다 어떻게 비교되는가?

주요 결과

• 제안된 시스템은 전체 슬라이드 수준에서 receiver operating characteristic 곡선 아래 면적(AUC)이 0.921(95% CI: 0.862–0.967)을 달성하여 높은 진단 정확도를 보였다.
• CNN I는 상피세포, 기질, 지방조직으로 분류하는 데 95.5%의 픽셀 수준 정확도를 달성했다.
• CNN II는 정상 기질과 종양 관련 기질을 구분하는 데 92.0%의 픽셀 수준 정확도를 달성했다.
• 두 CNN의 특징을 결합할 경우 성능이 향상되었으며, AUC는 CNN I 전용일 때 0.882, CNN II 전용일 때 0.904였던 데 비해 0.921로 상승했다.
• 결과는 기질 특징만으로도 유방암을 높은 신뢰도로 진단할 수 있는 충분한 분류 정보를 포함하고 있음을 확인한다.
• 본 연구는 종양 관련 기질이 디지털 병리학에서 새로운 데이터 기반 진단 생물학적 표지자로서의 가능성과 실현 가능성을 입증한다.