[논문 리뷰] From Whole-slide Image to Biomarker Prediction: A Protocol for End-to-End Deep Learning in Computational Pathology

Omar S. M. El Nahhas, Marko van Treeck외 10명|arXiv (Cornell University)|2023. 12. 18.

AI in cancer detection인용 수 4

한 줄 요약

이 논문은 전체 슬라이드 이미지(WSIs)와 표준 데이터에서 직접 암 생물학적 마커를 예측하기 위한 생물학적 마커에 관계없이 적용 가능한 종단간 딥러닝 프로토콜인 STAMP을 제안한다. 이 프로토콜은 히스토파스 toll로지 이미지와 유전적 또는 임상병리학적 특징을 다섯 단계 워크플로우를 통해 통합하여 대장암에서 MSI-high 상태를 높은 정확도로 예측한다. 오픈소스 코드를 통해 임상 및 연구 환경에서 전 세계적으로 구현이 가능하다.

ABSTRACT

Hematoxylin- and eosin (H&E) stained whole-slide images (WSIs) are the foundation of diagnosis of cancer. In recent years, development of deep learning-based methods in computational pathology enabled the prediction of biomarkers directly from WSIs. However, accurately linking tissue phenotype to biomarkers at scale remains a crucial challenge for democratizing complex biomarkers in precision oncology. This protocol describes a practical workflow for solid tumor associative modeling in pathology (STAMP), enabling prediction of biomarkers directly from WSIs using deep learning. The STAMP workflow is biomarker agnostic and allows for genetic- and clinicopathologic tabular data to be included as an additional input, together with histopathology images. The protocol consists of five main stages which have been successfully applied to various research problems: formal problem definition, data preprocessing, modeling, evaluation and clinical translation. The STAMP workflow differentiates itself through its focus on serving as a collaborative framework that can be used by clinicians and engineers alike for setting up research projects in the field of computational pathology. As an example task, we applied STAMP to the prediction of microsatellite instability (MSI) status in colorectal cancer, showing accurate performance for the identification of MSI-high tumors. Moreover, we provide an open-source codebase which has been deployed at several hospitals across the globe to set up computational pathology workflows. The STAMP workflow requires one workday of hands-on computational execution and basic command line knowledge.

연구 동기 및 목표

• 정밀 종양학에서 헬리오스틸링 전체 슬라이드 이미지(H&E-stained whole-slide images)로부터 확장성 있고 정확한 생물학적 마커 예측의 과제를 해결하기 위해.
• 컴퓨터 병리학 연구에서 임상의와 엔지니어를 연결하는 협업적이고 사용자 友好的 워크플로우를 개발하기 위해.
• 히스토파스 toll로지 이미지와 유전적 및 임상병리학적 데이터를 통합하여 생물학적 마커 예측 성능을 향상시키기 위해.
• 다양한 병원에서 임상 및 연구 용도로 구현 가능한 재현 가능하고 오픈소스 기반의 프레임워크를 제공하기 위해.

제안 방법

• STAMP 워크플로우는 다섯 단계로 구성된다: 문제 정의, 데이터 전처리, 모델링, 평가, 임상 적용.
• 이 프로토콜은 WSIs를 처리하기 위해 딥러닝 모델을 사용하며, 이미지 특징과 표준 데이터(예: 유전적 또는 임상 변수)를 함께 임bedding한다.
• 주의 메커니즘(attention mechanisms)을 활용해 관련 조직 영역에 집중하고 예측 생물학적 마커 출력을 위한 종단간 학습을 지원한다.
• 특정 생물학적 마커 예측 작업에 맞게 미리 훈련된 시각 모델에서 전이 학습(transfer learning)을 적용한다.
• 최소한의 계산 자원을 요구하며, 기본 명령줄 스킬만으로 하루 정도의 수동 작업 시간으로 실행이 가능하다.
• 오픈소스 코드베이스를 제공하여 다양한 임상 기관에서의 배포를 가능하게 한다.

실험 결과

연구 질문

• RQ1 특수 염색이나 레이블링이 필요 없이, 통합된 딥러닝 프레임워크가 H&E-색소 전체 슬라이드 이미지에서 복잡한 생물학적 마커를 정확하게 예측할 수 있는가?
• RQ2 표준 임상 및 유전적 데이터를 이미지 모델과 통합했을 때, 이미지 전용 모델 대비 생물학적 마커 예측 성능 향상 정도는 어떠한가?
• RQ3 표준화된 생물학적 마커에 관계없이 적용 가능한 워크플로우가 다양한 임상 및 연구 환경에서 얼마나 널리 채택될 수 있는가?
• RQ4 일반적인 H&E-색소 전체 슬라이드 이미지만으로 대장암에서 MSI-high 상태를 높은 성능으로 식별할 수 있는가?
• RQ5 실제 병원 환경에서 STAMP 워크플로우의 확장성과 재현 가능성은 어떠한가?

주요 결과

• STAMP 프레임워크는 H&E-색소 전체 슬라이드 이미지와 표준 데이터만을 사용하여 대장암에서 MSI-high 상태를 매우 높은 정확도로 예측했다.
• 다양한 기관에서 우수한 성능을 유지하여 일반화 능력과 임상 적용 가능성의 타당성을 입증했다.
• 수행 시간이 하루 분량이며 기본 명령줄 숙련도만으로도 접근성이 높아, 넓은 범위의 사용이 가능하다.
• 오픈소스 코드베이스는 전 세계 여러 병원에서 성공적으로 구현되어 실제 적용 가능성의 증거가 되었다.
• 표준 데이터 통합이 이미지 전용 기반 모델 대비 예측 성능 향상에 뚜렷한 기여를 하였다.
• 프레임워크는 생물학적 마커에 관계없이 적용 가능하므로, 최소한의 재구성으로 다양한 암 종류와 생물학적 마커에 적용 가능하다.