[논문 리뷰] Hierarchical Deep Learning Classification of Unstructured Pathology Reports to Automate ICD-O Morphology Grading

Waheeda Saib, Tapiwa M. Chiwewe외 1명|arXiv (Cornell University)|2020. 08. 28.

AI in cancer detection참고 문헌 3인용 수 6

한 줄 요약

이 논문은 비정형 유방암 병리 보고서의 ICD-O 형태학적 코드를 자동화하기 위해 컨volutional 신경망(CNN)을 사용한 계층적 딥러닝 모델을 제안하며, 평면적 다중클래스 CNN보다 분류 정확도를 향상시킨다. 이 방법은 9개의 ICD-O 형태학적 클래스에 대해 익명화된 1,813건의 보고서에서 표준 방법을 초월하여 성능을 발휘하며, 특히 자원이 제한된 서아프리카에서 암 등록부의 수동 코드화 지연을 줄이는 데 유용하다.

ABSTRACT

Timely cancer reporting data are required in order to understand the impact of cancer, inform public health resource planning and implement cancer policy especially in Sub Saharan Africa where the reporting lag is behind world averages. Unstructured pathology reports, which contain tumor specific data, are the main source of information collected by cancer registries. Due to manual processing and labelling of pathology reports using the International Classification of Disease for oncology (ICD-O) codes, by human coders employed by cancer registries, has led to a considerable lag in cancer reporting. We present a hierarchical deep learning classification method that employs convolutional neural network models to automate the classification of 1813 anonymized breast cancer pathology reports with applicable ICD-O morphology codes across 9 classes. We demonstrate that the hierarchical deep learning classification method improves on performance in comparison to a flat multiclass CNN model for ICD-O morphology classification of the same reports.

연구 동기 및 목표

• 암 등록부에서 비정형 병리 보고서의 수동 ICD-O 코드화로 인한 심각한 보고 지연을 해결하기 위해.
• 유방암 병리 보고서를 ICD-O 형태학적 코드로 분류하는 데 있어 인간 코드러에 대한 의존도를 줄이기 위해 자동화를 추진하기 위해.
• 계층적 딥러닝 아키텍처를 사용하여 평면적 다중클래스 딥러닝 모델보다 분류 성능을 향상시키기 위해.
• 특히 보고 지연이 높은 자원이 제한된 서아프리카에서 공중보건 기획 및 정책 수립을 지원하기 위해.

제안 방법

• 두 단계 분류 구조를 갖춘 계층적 딥러닝 모델을 설계함: 먼저 넓은 ICD-O 형태학적 범주를 예측하고, 그 다음 구체적인 하위 범주로 정밀화함.
• 익명화된 병리 보고서의 텍스트 특징을 처리하기 위해 컨volutional 신경망(CNN)을 적용함.
• ICD-O 분류 체계에서 부모-자식 클래스 간의 논리적 관계를 강제하는 계층적 손실 함수를 사용함.
• 광범위한 특징 공학 없이도 원시 병리 보고서 텍스트에서 텍스트 임베딩을 직접 학습함.
• 9개의 ICD-O 형태학적 코드로 레이블링된 1,813건의 익명화된 유방암 보고서를 기반으로 엔드 투 엔드로 모델을 훈련함.
• 표준 평가 지표(예: 매크로 F1 스코어, 정확도)를 사용하여 계층적 모델과 평면적 다중클래스 CNN 기준 모델 간 성능을 비교 평가함.

실험 결과

연구 질문

• RQ1 비정형 병리 보고서를 ICD-O 형태학적 코드로 분류하는 데 있어 계층적 딥러닝 모델이 평면적 다중클래스 CNN보다 우월한가?
• RQ2 ICD-O 분류 체계의 계층적 구조를 통합함으로써 분류 성능과 일반화 능력이 향상되는가?
• RQ3 자동 분류가 암 등록부의 보고 지연을 어느 정도 줄일 수 있는가? 특히 자원이 제한된 환경에서의 효과는?
• RQ4 병리 보고서의 어휘 다양성과 비정형 언어에 대해 모델의 견고성은 어느 정도인가?

주요 결과

• 계층적 딥러닝 모델은 동일한 1,813건의 병리 보고서 데이터셋에서 평면적 다중클래스 CNN 기준 모델보다 높은 매크로 F1 스코어를 달성함.
• 부모-자식 클래스 간의 관계를 보다 잘 일반화함으로써 희귀하거나 빈도가 낮은 ICD-O 형태학적 코드의 분류 성능이 향상됨.
• 비정형 임상 텍스트 내의 의미적 및 문법적 패턴을 효과적으로 포착하여 ICD-O 범주로의 정확한 매핑을 가능케 함.
• 결과적으로 계층적 딥러닝이 암 등록부에서 수동 코드화 작업과 보고 지연을 크게 줄일 수 있음.