[논문 리뷰] Deep Learning for Identifying Metastatic Breast Cancer

D. Wang, Aditya Khosla외 3명|arXiv (Cornell University)|2016. 06. 18.

AI in cancer detection참고 문헌 18인용 수 802

한 줄 요약

본 논문은 센티넬 림프절의 전 슬라이드 이미지(WSI)에서 전이성 유방암을 탐지하는 딥러닝 시스템을 제시하며, 슬라이드 기반 및 병변 기반 작업에서 최고 AUC를 달성하고 인간 검토와의 결합 시 병리학자의 오류를 크게 줄인다.

ABSTRACT

The International Symposium on Biomedical Imaging (ISBI) held a grand challenge to evaluate computational systems for the automated detection of metastatic breast cancer in whole slide images of sentinel lymph node biopsies. Our team won both competitions in the grand challenge, obtaining an area under the receiver operating curve (AUC) of 0.925 for the task of whole slide image classification and a score of 0.7051 for the tumor localization task. A pathologist independently reviewed the same images, obtaining a whole slide image classification AUC of 0.966 and a tumor localization score of 0.733. Combining our deep learning system's predictions with the human pathologist's diagnoses increased the pathologist's AUC to 0.995, representing an approximately 85 percent reduction in human error rate. These results demonstrate the power of using deep learning to produce significant improvements in the accuracy of pathological diagnoses.

연구 동기 및 목표

• 암 관리에서 정확하고 표준화된 병리 진단의 필요성을 제시한다.
• 전 슬라이드 유방 센티넬 림프절에서 전이(메타스타시스)를 탐지하기 위한 딥러닝 프레임워크를 개발한다.
• 자동 이미지 분석을 통해 진단 오류와 인지 부하를 줄인다.
• 패치 수준의 학습과 히트맵 기반의 후처리로 슬라이드- 및 병변 수준의 의사결정을 지원한다.

제안 방법

• WSI에서 수백만 개의 양성 및 음성 256x256 패치를 이용해 종양 대 정상 패치를 구별하는 패치 기반 CNN을 학습한다.
• 속도와 안정성을 위해 여러 아키텍처를 평가하고 GoogLeNet을 선택하여 종양 확률 히트맵을 생성한다.
• HSV 임계값과 H 및 S 채널의 Otsu 임계값화를 사용해 배경을 제거하는 전처리로 WSIs를 정리한다.
• 기하학적/형상 특징과 랜덤 포레스트 분류기를 이용해 슬라이드 기반 종양 확률을 계산하는 히트맵 후처리.
• hard-negative 영역의 강화 및 연결 성분 분석과 함께 히트맵 임계값화를 이용한 이중 단계 D-I 및 D-II 모델로 병변 탐지를 강화한다.

실험 결과

연구 질문

• RQ1 WSI의 센티넬 림프절에서 패치 기반 딥러닝이 종양 포함 패치를 정상 조직과 정확히 구분할 수 있는가?
• RQ2 히트맵 기반 후처리 단계가 슬라이드 수준 및 병변 수준의 전이 탐지를 정확하게 가능하게 하는가?
• RQ3 딥러닝 시스템과 인간 병리학자를 결합하면 두 접근 방식만의 단독보다 진단 오류를 감소시키는가?

주요 결과

• 슬라이드 기반 AUC 0.9250을 달성해 Camelyon16 참가자 중 최상위를 기록했다.
• 병변 기반 점수 0.7051로 대회에서 가장 높았으며 2위 대비 22% 높은 성과를 보였다.
• 딥러닝 예측과 병리학자의 진단을 결합하자 병리학자의 AUC가 0.9948로 상승(단독 0.9664에서 증가).
• 병리학자 단독의 AUC는 0.9664였으며 한 비교에서 위양성이 없었고, 결합된 시스템은 인간 오류율을 약 0.52%로 감소시켰다.