[논문 리뷰] Deep-Learning for Classification of Colorectal Polyps on Whole-Slide Images

Bruno Korbar, Andrea M. Olofson외 6명|arXiv (Cornell University)|2017. 03. 05.

Colorectal Cancer Screening and Detection인용 수 37

한 줄 요약

이 연구는 전체 슬라이드 H&E 염색 조직학적 영상에서 5종류의 대장 폴립을 자동으로 분류하기 위한 잔차 신경망(ResNet) 기반의 딥러닝 시스템을 제안한다. 모델은 239개의 독립 테스트 케이스에서 93.0%의 정확도, 89.7%의 정밀도, 88.3%의 재현율, 88.8%의 F1 스코어를 기록하여 병리의사가 조직병리학적 특성화 및 위험 평가를 보조하는 데 높은 효능을 보였다.

ABSTRACT

Histopathological characterization of colorectal polyps is an important principle for determining the risk of colorectal cancer and future rates of surveillance for patients. This characterization is time-intensive, requires years of specialized training, and suffers from significant inter-observer and intra-observer variability. In this work, we built an automatic image-understanding method that can accurately classify different types of colorectal polyps in whole-slide histology images to help pathologists with histopathological characterization and diagnosis of colorectal polyps. The proposed image-understanding method is based on deep-learning techniques, which rely on numerous levels of abstraction for data representation and have shown state-of-the-art results for various image analysis tasks. Our image-understanding method covers all five polyp types (hyperplastic polyp, sessile serrated polyp, traditional serrated adenoma, tubular adenoma, and tubulovillous/villous adenoma) that are included in the US multi-society task force guidelines for colorectal cancer risk assessment and surveillance, and encompasses the most common occurrences of colorectal polyps. Our evaluation on 239 independent test samples shows our proposed method can identify the types of colorectal polyps in whole-slide images with a high efficacy (accuracy: 93.0%, precision: 89.7%, recall: 88.3%, F1 score: 88.8%). The presented method in this paper can reduce the cognitive burden on pathologists and improve their accuracy and efficiency in histopathological characterization of colorectal polyps, and in subsequent risk assessment and follow-up recommendations.

연구 동기 및 목표

• 대장 폴립의 조직병리학적 특성화에서 높은 관찰자 간 및 관찰자 내 변동성을 해결하기 위해.
• 전체 슬라이드 영상에서 폴립 유형의 분류를 자동화하여 병리의사의 인지적 부담을 감소시키기 위해.
• 특히 평면상 석출성 및 과형성 폴립과 같은 고위험 폴립을 정확하고 일관성 있게 식별함으로써 진단 정확도를 향상시키기 위해.
• 폴립 유형에 기반하여 정확한 위험 평가 및 추적 검사 권고를 지원하기 위해.
• 대장암을 초과하여 보다 광범위한 조직병리학 분석에 적용 가능한 확장 가능한 딥러닝 프레임워크를 개발하기 위해.

제안 방법

• 이 방법은 H&E 염색 대장 폴립의 전체 슬라이드 영상에서 훈련된 딥 리텐셔널 신경망(ResNet) 아키텍처를 사용한다.
• 모델은 239개의 독립적인 전체 슬라이드 영상에서 엔드 투 엔드로 훈련되며, 강건성을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 전체 슬라이드 추론은 패치 기반 접근 방식을 사용하여 다수의 영상 패치에서 예측을 집계한다.
• 시스템은 다섯 가지 폴립 유형을 분류한다: 과형성 폴립, 평면상 석출성 폴립, 전통적 석출성 암종, 관상선형 암종, 관상돌기형/돌기형 암종.
• 표준 지표인 정확도, 정밀도, 재현율, F1 스코어를 사용하여 모델 성능을 평가한다.
• 모델 결정을 해석하고 투명성을 향상시키기 위해 향후 연구를 위해 시각화 기법을 계획하고 있다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 전체 슬라이드 H&E 염색 영상에서 5가지 주요 대장 폴립 유형을 높은 정확도로 분류할 수 있는가?
• RQ2 형태학적으로 유사한 폴립, 예를 들어 과형성 폴립과 평면상 석출성 폴립을 구분하는 데 모델의 성능은 어떠한가?
• RQ3 데이터 증강 기법이 이 조직병리학 작업에서 분류 성능 향상에 어느 정도 기여하는가?
• RQ4 모델이 관찰자 간 변동성을 줄이고 대장암 선별에서 표준화된 위험 평가를 지원할 수 있는가?
• RQ5 해석 가능한 AI 기법은 병리의사의 신뢰도 향상과 디지털 병리학에서 딥러닝의 임상적 도입을 어떻게 증진시킬 수 있는가?

주요 결과

• 모델은 239개의 독립적인 전체 슬라이드 영상에서 총 정확도 93.0%를 기록하여 강력한 분류 성능를 입증했다.
• 정밀도와 재현율은 각각 89.7%와 88.3%였으며, F1 스코어는 88.8%로 클래스 간 균형 잡힌 성능를 보였다.
• 혼동 행렬은 과형성 폴립과 평면상 석출성 폴립 간의 오분류가 가장 빈번하게 발생했음을 보여주었으며, 이는 알려진 진단 과제와 일치했다.
• 모델는 저신뢰도 정상 케이스를 '정상'으로 분류하는 경향을 보였는데, 이는 훈련 세트 내 클래스 다양성 때문일 가능성이 높다.
• 데이터 증강 기법이 모델 정확도 향상에 긍정적인 영향을 미친 것으로 나타나, 강건성을 향상시키기 위한 활용이 타당하다고 지원된다.
• 시스템은 병리의사가 위험 평가 및 추적 검사 계획 수립을 보조하기 위한 임상 통합 잠재력을 강력하게 보여주었다.