[논문 리뷰] Deep-learning-based identification of odontogenic keratocysts in hematoxylin- and eosin-stained jaw cyst specimens

Kei Sakamoto, Keiichi Morita외 2명|arXiv (Cornell University)|2019. 01. 12.

Oral and Maxillofacial Pathology참고 문헌 20인용 수 4

한 줄 요약

이 연구는 H&E 염색된 현미경 영상에서 VGG16을 미세조정하여 치근유두세포성 침샘종양을 자동으로 진단하기 위해 기저세포 기둥형 배열 패턴을 탐지하는 딥러닝 시스템을 개발하였다. 모델은 테스트 세트에서 AUC 0.997을 기록하여 미세한 조직학적 변형을 다루는 데 어려움이 있음에도 불구하고 자동 침샘종양 진단에 높은 정확도를 보였다.

ABSTRACT

The aim of this study was to develop a digital histopathology system for identifying odontogenic keratocysts in hematoxylin- and eosin-stained tissue specimens of jaw cysts. Approximately 5000 microscopy images with 400$ imes$ magnification were obtained from 199 odontogenic keratocysts, 208 dentigerous cysts, and 55 radicular cysts. A proportion of these images were used to make training patches, which were annotated as belonging to one of the following three classes: keratocysts, non-keratocysts, and stroma. The patches for the cysts contained the complete lining epithelium, with the cyst cavity being present on the upper side. The convolutional neural network (CNN) VGG16 was finetuned to this dataset. The trained CNN could recognize the basal cell palisading pattern, which is the definitive criterion for diagnosing keratocysts. Some of the remaining images were scanned and analyzed by the trained CNN, whose output was then used to train another CNN for binary classification (keratocyst or not). The area under the receiver operating characteristics curve for the entire algorithm was 0.997 for the test dataset. Thus, the proposed patch classification strategy is usable for automated keratocyst diagnosis. However, further optimization must be performed to make it suitable for practical use.

연구 동기 및 목표

• 일반적인 H&E 염색 조직 절편에서 치근유두세포성 침샘종양을 자동으로 진단하기 위한 디지털 조직병리학 시스템을 개발하기 위해.
• 특히 경험이 적은 병리의사들 사이에서 주관성과 변동성이 큰 침샘종양 진단 문제를 해결하기 위해.
• 딥러닝이 침샘종양 진단에 핵심적인 결정적 조직학적 특징인 기저세포 기둥형 배열을 자율적으로 학습하고 탐지할 수 있는지 평가하기 위해.
• 제한된 훈련 데이터로 희귀한 구강 봉합성 종양을 분류하기 위해 패치 기반 컨volution 신경망(CNN)의 가능성을 탐색하기 위해.
• 특징 맵 활성화 분석을 통해 모델의 의사결정 과정이 병리학적 추론과 일치하는지 평가하기 위해.

제안 방법

• 199개의 치근유두세포성 침샘종양, 208개의 치근성 봉합성 종양, 55개의 뿌리성 봉합성 종양에서 400× 배율의 현미경 영상 총 5,000장을 확보하였다.
• 훈련 패치는 기저세포 기둥형 배열 패턴을 포함한 완전한 상피 라인 및 봉합성 공실을 유지하면서 세 가지 클래스로 분류되었으며, 침샘종양, 비침샘종양, 기질로 나누어졌다.
• VGG16 CNN은 이러한 분류된 패치를 기반으로 특징을 학습하였으며, 특히 기둥형 배열 패턴에 중점을 두었다.
• 전체 슬라이드 이미지 출력을 기반으로 한 두 번째 CNN을 훈련시켜 이진 분류(침샘종양 대비 비침샘종양)를 수행하였다.
• 모델 성능은 보류된 테스트 세트에서 receiver operating characteristic 곡선 아래 면적(AUC)을 사용하여 평가되었다.
• 중간 컨volution 레이어의 활성화 패턴 분석을 통해 모델이 어떤 특징을 우선시하는지 해석 가능성을 평가하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 일반적인 H&E 염색 조직병리 슬라이드에서 치근유두세포성 침샘종양을 정확하게 식별할 수 있는가?
• RQ2 모델은 병리의사들이 침샘종양 진단에 사용하는 결정적 조직학적 특징인 기저세포 기둥형 배열 패턴을 학습하여 탐지하는가?
• RQ3 모델의 내부 특징 학습이 전문가의 진단 추론과 어느 정도 일치하는가?
• RQ4 제한된 훈련 데이터가 있는 희귀한 구강 봉합성 종양에 대해 패치 기반 CNN이 높은 진단 정확도를 달성할 수 있는가?
• RQ5 인간 병리의사들이 간과하는 조직학적 특징이 있는가? 모델이 엔드 투 엔드 학습을 통해 이를 발견하는가?

주요 결과

• 딥러닝 모델은 테스트 데이터셋에서 수신기 작동 특성 곡선 아래 면적(AUC)이 0.997로, 거의 완벽한 진단 성능를 보였다.
• 중간 레이어의 활성화 분석을 통해 모델은 치근유두세포성 침샘종양의 결정적 조직학적 기준인 기저세포 기둥형 배열 패턴을 성공적으로 학습하여 탐지하였다.
• 최종 컨볼루션 레이어의 필터는 기저층의 정렬된 타원형 세포핵에 대해 강한 반응을 보였으며, 이는 모델이 핵심 진단 특징에 집중하고 있음을 확인하였다.
• 모델은 기존에 간과되었던 조직학적 특징을 발견하였다: 희생층 필터에서 강화된 신호로, 이는 킬라린화로 인한 단백질 합성 활동 증가를 반영할 가능성이 있으며, 표준 교과서에서는 강조되지 않는다.
• 전반적인 정확도는 높았지만, 기둥형 배열이 뚜렷하지 않은 침샘종양이나 가짜 기둥형 배열 패턴을 보이는 비침샘종양을 구분하는 데 어려움을 겪어, 모호한 케이스 처리에 한계가 있음을 시사하였다.
• 활성화 패턴은 모델의 추론이 생물학적으로 타당하다는 것을 시사하며, 전문가들이 사용하는 특징과 유사하게 우선순위를 두지만, 숙련자가 사용하는 미세한 해부학적 단서를 간과할 수 있다.