[논문 리뷰] Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis of Gastric Intestinal Metaplasia

Jon Braatz, Pranav Rajpurkar외 3명|arXiv (Cornell University)|2022. 01. 05.

Gastric Cancer Management and Outcomes인용 수 5

한 줄 요약

이 논문은 H&E 염색 생검 슬라이드에서 위장성 미세변형(가스트릭 인테스티널 메타플라시아, GIM)을 신속하게 탐지하기 위해 무작위 패치 샘플링과 컨volutional 신경망(CNN)을 사용하는 희박한 전체 슬라이드 이미지(WSI) 분석 방법을 제안한다. 이 방법은 전체 슬라이드의 일부만 처리함으로써 표준 CPU에서 1분 이내에 0.98 AUC와 0.95 평균 정밀도를 달성하며, GPU 의존 없이도 빠르고 구현 가능한 임상 진단이 가능하다.

ABSTRACT

In recent years, deep learning has successfully been applied to automate a wide variety of tasks in diagnostic histopathology. However, fast and reliable localization of small-scale regions-of-interest (ROI) has remained a key challenge, as discriminative morphologic features often occupy only a small fraction of a gigapixel-scale whole-slide image (WSI). In this paper, we propose a sparse WSI analysis method for the rapid identification of high-power ROI for WSI-level classification. We develop an evaluation framework inspired by the early classification literature, in order to quantify the tradeoff between diagnostic performance and inference time for sparse analytic approaches. We test our method on a common but time-consuming task in pathology - that of diagnosing gastric intestinal metaplasia (GIM) on hematoxylin and eosin (H&E)-stained slides from endoscopic biopsy specimens. GIM is a well-known precursor lesion along the pathway to development of gastric cancer. We performed a thorough evaluation of the performance and inference time of our approach on a test set of GIM-positive and GIM-negative WSI, finding that our method successfully detects GIM in all positive WSI, with a WSI-level classification area under the receiver operating characteristic curve (AUC) of 0.98 and an average precision (AP) of 0.95. Furthermore, we show that our method can attain these metrics in under one minute on a standard CPU. Our results are applicable toward the goal of developing neural networks that can easily be deployed in clinical settings to support pathologists in quickly localizing and diagnosing small-scale morphologic features in WSI.

연구 동기 및 목표

• 기존의 대규모 WSI에서 작은 형태학적 특징(예: 점액세포)을 신속하고 정확하게 국소화하는 데 도전하는 문제를 해결하기 위해, 위장성 미세변형(GIM) 진단에 핵심적인 점액세포를 탐지하는 데 초점을 맞춘다.
• 밀도 있는 WSI 분석에 비해 상당히 감소된 추론 시간을 유지하면서도 높은 진단 성능을 유도하는 희박한 추론 전략을 개발한다.
• 고성능의 GPU 없이도 소비자용 하드웨어에서 구현 가능한 방법을 제공하여, 병리의사 워크스테이션에서 일상적인 임상 사용에 실현 가능하게 한다.
• 초기 분류 설정에서 진단 성능와 추론 시간 간의 트레이드오프를 정량화하는 평가 프레임워크를 구축한다.

제안 방법

• 해당 방법은 WSI에서 고정된 크기의 이미지 패치를 순차적이고 무작위로 샘플링하여, 각 패치를 사전에 훈련된 CNN을 사용해 점액세포를 탐지함으로써 GIM의 증거로 분류한다.
• 패치 수준의 분류 점수는 실시간으로 집계되며, 새로운 패치가 처리될수록 슬라이드 수준의 진단이 지속적으로 업데이트된다.
• 이 방법은 전체 WSI 영역의 소수의 영역만 처리하는 희박한 샘플링 전략을 사용하여 계산 부담을 크게 감소시킨다.
• 실제 임상 환경에서의 구현을 시뮬레이션하기 위해 웹 브라우저에서 CPU, WebAssembly(wasm), WebGL 세 가지 백엔드를 사용해 추론을 평가한다.
• 성능 대 추론 시간 간의 트레이드오프를 정량화하기 위해, 초기 시계열 분류 문헌에서 유래한 평가 프레임워크를 적용하여 다양한 패치 크기와 확대율에서의 성능를 분석한다.
• 모델은 유일하게 30개의 GIM 양성 전체 슬라이드 이미지만을 사용해 훈련하였으며, 최소한의 픽셀 수준의 애너테이션을 요구한다.

실험 결과

연구 질문

• RQ1 소비자용 하드웨어에서 1분 이내의 추론 시간을 유지하면서도 높은 진단 성능를 달성할 수 있는가? 특히 희박한 패치 기반 딥러닝 접근 방식이 GIM 탐지에 효과적인가?
• RQ2 다양한 패치 샘플링 전략, 패치 크기, 확대율에 따라 진단 성능와 추론 시간 간의 트레이드오프는 어떻게 변화하는가?
• RQ3 오직 30개의 양성 WSI만을 사용해 애너테이션된 데이터로 훈련된 모델이 신뢰할 수 있는 슬라이드 수준의 GIM 분류를 수행할 수 있는가?
• RQ4 GPU 가속 기능 없이도 웹 브라우저 환경에서 효과적으로 배포 가능할 수 있는가? 특히 원격 서버로의 데이터 전송 없이도 가능한가?
• RQ5 CPU, wasm, WebGL 등의 다양한 추론 백엔드 간의 성능는 속도와 정확도 측면에서 어떻게 비교되는가?

주요 결과

• 테스트 셋으로 구성된 20개의 GIM 양성 및 86개의 GIM 음성 WSI에서 슬라이드 수준의 ROC 곡선 아래 면적(AUC)은 0.98, 평균 정밀도(AP)는 0.95를 달성하였다.
• 모든 GIM 양성 케이스가 정확히 탐지되었으며, 증거 국소화에 대한 실패율이 0%임을 입증하였다.
• WebAssembly 백엔드를 사용할 경우 20x 확대율에서 추론이 8초 이내로 완료되었고, CPU 백엔드를 사용할 경우 45초 이내로 완료되어 임상적 시간 제약를 충족하였다.
• 높은 성능를 달성하기 위해 평균 슬라이드 영역의 40% 미만을 처리하면 되었으며, 이는 계산 비용을 크게 감소시켰다.
• 2015년형 맥북 프로 CPU와 'cpu' 백엔드를 사용하더라도, 'wasm' 백엔드를 통해 1분 이내에 분류를 완료하여 표준 워크스테이션 환경에서의 실행 가능성은 입증되었다.
• 평가 프레임워크는 성능-추론 시간 트레이드오프를 성공적으로 정량화하였으며, 희박한 WSI 분석 설계에 있어 정보 기반의 결정을 가능하게 하였다.