[논문 리뷰] Development and Evaluation of a Deep Neural Network for Histologic Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection Slides

Mengdan Zhu, Bing Ren외 4명|arXiv (Cornell University)|2020. 10. 30.

AI in cancer detection참고 문헌 35인용 수 6

한 줄 요약

이 연구는 디지털 생검 및 수술 절편 슬라이드에서 신세포암종(RCC)의 조직학적 분류를 위한 딥 뉴럴 네트워크를 개발하였으며, 내부 및 외부 데이터셋에서 AUC 0.98–0.99의 성능을 달성하였다. 모델은 분류 결정에 가장 영향을 미치는 영역을 시각화함으로써 해석 가능성을 향상시켜 병리의사가 사전 스크리닝, 영역 강조 표시 및 제2의 진단 의견을 내는 데 도움을 주었다.

ABSTRACT

Renal cell carcinoma (RCC) is the most common renal cancer in adults. The histopathologic classification of RCC is essential for diagnosis, prognosis, and management of patients. Reorganization and classification of complex histologic patterns of RCC on biopsy and surgical resection slides under a microscope remains a heavily specialized, error-prone, and time-consuming task for pathologists. In this study, we developed a deep neural network model that can accurately classify digitized surgical resection slides and biopsy slides into five related classes: clear cell RCC, papillary RCC, chromophobe RCC, renal oncocytoma, and normal. In addition to the whole-slide classification pipeline, we visualized the identified indicative regions and features on slides for classification by reprocessing patch-level classification results to ensure the explainability of our diagnostic model. We evaluated our model on independent test sets of 78 surgical resection whole slides and 79 biopsy slides from our tertiary medical institution, and 69 randomly selected surgical resection slides from The Cancer Genome Atlas (TCGA) database. The average area under the curve (AUC) of our classifier on the internal resection slides, internal biopsy slides, and external TCGA slides is 0.98, 0.98 and 0.99, respectively. Our results suggest that the high generalizability of our approach across different data sources and specimen types. More importantly, our model has the potential to assist pathologists by (1) automatically pre-screening slides to reduce false-negative cases, (2) highlighting regions of importance on digitized slides to accelerate diagnosis, and (3) providing objective and accurate diagnosis as the second opinion.

연구 동기 및 목표

• 디지털 전체 슬라이드 영상에서 신세포암종 아형을 정확하게 분류할 수 있는 딥 신경망을 개발하는 것.
• 슬라이드 상의 조직학적으로 관련 있는 영역를 식별하고 시각화하여 모델의 해석 가능성을 확보하는 것.
• 내부 기관 슬라이드 및 The Cancer Genome Atlas(TCGA) 데이터를 포함한 다양한 데이터 원천에서의 모델 성능을 평가하는 것.
• 병리의사가 진단 오류를 줄이고 워크플로우를 가속화하는 데에 모델이 기여할 잠재력을 평가하는 것.
• 생검 및 절편 생검 물질에서 RCC 진단에 대해 객관적이고 자동화된 제2의 의견을 제공하는 것.

제안 방법

• 생검 및 수술 절편 생검 물질의 전체 슬라이드 영상에서 훈련된 딥 컨volution 신경망(CNN)이 클리어 셀, 페피라리, 크로모포브, 온코시토마 및 정상 등 5개의 RCC 아형을 분류하였다.
• 모델은 작은 영상 패치를 추출하고 분류한 후, 전체 슬라이드 예측을 도출하기 위해 이를 집계하는 패치 기반 분류 전략을 사용하였다.
• 패치 수준의 예측을 재처리하여 분류 결정에 가장 영향을 미치는 영역를 강조하는 히트맵을 생성함으로써 해석 가능성을 확보하였다.
• 모델는 종합 의료 기관의 데이터를 사용해 훈련 및 검증하였으며, 동일 기관의 78장의 수술 절편 슬라이드와 79장의 생검 슬라이드로 구성된 독립된 테스트 세트로 검증하였다.
• 일반화 능력을 평가하기 위해 The Cancer Genome Atlas(TCGA) 데이터베이스의 69장의 수술 절편 슬라이드를 사용해 외부 검증을 수행하였다.
• 모델 성능 평가에는 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하였으며, 분層화된 교차 검증과 독립된 테스트 세트를 적용하였다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 디지털 생검 및 절편 슬라이드에서 다섯 가지 주요 신세포암종 아형을 높은 정확도로 분류할 수 있는가?
• RQ2 모델은 기관 및 TCGA 데이터 세트와 같은 다양한 데이터 원천에서 얼마나 잘 일반화되는가?
• RQ3 전체 슬라이드 상의 관심 영역를 시각화함으로써 모델의 예측이 얼마나 해석 가능한가?
• RQ4 모델은 병리의사가 진단 오류를 줄이는 데에 신뢰할 수 있는 제2의 의견으로 기능할 수 있는가?
• RQ5 모델은 전체 슬라이드 영상에서 진단적으로 관련 있는 영역를 강조함으로써 진단 효율성을 향상시키는가?

주요 결과

• 내부 수술 절편 슬라이드에서 모델은 평균 AUC 0.98을 기록하여 뛰어난 분류 성능를 보였다.
• 내부 생검 슬라이드에서 모델은 AUC 0.98을 기록하여 더 작은, 덜 대표적인 조직 샘플에서도 강력한 성능를 입증하였다.
• TCGA 데이터베이스의 69장의 수술 절편 슬라이드를 사용한 외부 검증에서 모델은 AUC 0.99를 기록하여 다양한 데이터 세트 간 높은 일반화 능력을 확인하였다.
• 모델은 슬라이드 상에서 진단적으로 관련 있는 영역를 성공적으로 식별하고 시각화하여 해석 가능성과 임상적 신뢰도를 향상시켰다.
• 다양한 생검 유형과 데이터 원천에서의 성능는 모델의 강건성과 임상 적용 잠재력을 시사한다.
• 결과는 모델이 진단 오진을 줄이고 제2의 객관적 의견을 제공하기 위해 사전 스크리닝 도구로 사용될 수 있음을 뒷받침한다.