[논문 리뷰] Multi-Organ Cancer Classification and Survival Analysis

Stefan Bauer, Nicolas Carion외 4명|arXiv (Cornell University)|2016. 06. 02.

Radiomics and Machine Learning in Medical Imaging참고 문헌 2인용 수 8

한 줄 요약

이 논문은 신장세포암(기저질성 신세포암, RCC)과 전립선암(전립선암, PCa)에서 다기관 종양세포핵 분류를 위한 딥 리소지드 신경망(ResNet) 프레임워크를 제안한다. 양 데이터셋에 대한 동시 학습을 통해 분류 정확도와 생존 예측 성능을 향상시킨다. 이 방법은 최신 기술 수준의 성능를 달성하였으며, 병합된 데이터로 훈련된 ResNet18은 생존 분석에서 인간 병리학자보다 뛰어나 (p = 0.006) 전이 가능한 특징을 보여주었다.

ABSTRACT

Accurate and robust cell nuclei classification is the cornerstone for a wider range of tasks in digital and Computational Pathology. However, most machine learning systems require extensive labeling from expert pathologists for each individual problem at hand, with no or limited abilities for knowledge transfer between datasets and organ sites. In this paper we implement and evaluate a variety of deep neural network models and model ensembles for nuclei classification in renal cell cancer (RCC) and prostate cancer (PCa). We propose a convolutional neural network system based on residual learning which significantly improves over the state-of-the-art in cell nuclei classification. Finally, we show that the combination of tissue types during training increases not only classification accuracy but also overall survival analysis.

연구 동기 및 목표

• 디지털 병리학에서 강력한 세포핵 분류를 위한 딥 러닝 모델을 개발하기 위해.
• 공유된 특징을 활용하여 서로 다른 암 유형(RCC와 PCa) 간의 지식 전이 가능성 탐구하기 위해.
• 분류 정확도와 생존 예측 성능에 대한 동시 학습의 영향 평가하기 위해.
• 미래 연구를 위해 코드, 데이터셋, 생존 데이터를 포함한 공개 가능한 벤치마크 제공하기 위해.

제안 방법

• RCC와 PCa 조직 미세진단에서 78×78 핵 패치를 기반으로 ResNet18 및 ResNet34를 처음부터 훈련시켰다.
• 소규모 데이터셋에서 일반화 성능을 향상시키기 위해 무작위 스케일링, 회전, 뒤집기, 색상 왜곡 등의 데이터 증강 기법을 적용하였다.
• 이중 분류(악성/양성) 및 사분류(기관 특이성) 설정에서 RCC와 PCa 데이터를 병합하여 동시 학습을 수행하였다.
• 검증 및 테스트 세트에서 정밀도, 재현율, F1 점수, 지지도 지표를 사용하여 모델 성능을 평가하였다.
• 카플란-마이어 추정기와 로그랭 테스트를 사용하여 생존 분석을 수행하여 모델 예측과 병리학자 평가를 비교하였다.
• 계산 자원 제약과 작은 표본 크기로 인해 단일 폴드 교차 검증을 사용하였다.

실험 결과

연구 질문

• RQ1 한 암 유형에서 훈련된 딥 신경망이 다른 암 유형으로 일반화 가능한가? 이는 기관 간 공통 특징 존재 여부를 시사하는가?
• RQ2 다양한 기관 유형에서의 동시 학습이 분류 정확도와 생존 예측 성능 향상에 기여하는가?
• RQ3 제한된 레이블이 부여된 소규모 병리학 데이터셋에서 다양한 네트워크 아키텍처(예: ResNet18 대비 ResNet34)의 성능은 어떠한가?
• RQ4 모델 앙상블과 데이터 증강 기법이 제한된 전문가 레이블이 부여된 소규모 병리학 데이터셋에서 성능 향상에 크게 기여하는가?
• RQ5 동시 학습이 기관 특이적 학습보다 생존 예측 성능을 더 좋게 만드는가?

주요 결과

• 병합된 RCC와 PCa 데이터로 훈련된 ResNet18은 PCa에서 100% 정확도, RCC에서 80% 정확도를 기록하여 개별 기관 학습보다 뛰어난 성능을 보였다.
• 동시 학습 접근법은 생존 분석 성능 향상에 기여하였으며, ResNet18은 로그랭 테스트에서 p-값 0.006을 기록하여 인간 병리학자(p = 0.038)를 초월하는 성능을 보였다.
• 공동 데이터셋에서 ResNet18은 ResNet34보다 뛰어난 성능를 보였으며, 더 낮은 복잡성에도 불구하고 더 우수한 일반화 능력을 보였다.
• 이중 기관 × 이중 클래스의 사분류 분류 설정은 이중 분류 설정보다 성능 향상이 없었으며, 기관 간 공통 특징 존재를 시사하였다.
• 데이터 증강 기법은 특히 제한된 레이블이 부여된 소규모 데이터셋에서 모델의 강건성을 크게 향상시켰다.
• 제안된 프레임워크(코드 및 데이터셋 포함)는 향후 계산 병리학 연구를 위한 종합적인 벤치마크를 제공한다.