[논문 리뷰] Oral cancer detection and interpretation: Deep multiple instance learning versus conventional deep single instance learning

Nadezhda Koriakina, Nataša Sladoje외 2명|arXiv (Cornell University)|2022. 02. 03.

Colorectal Cancer Screening and Detection인용 수 4

한 줄 요약

이 연구는 환자 수준의 레이블만을 사용하여 구강암 진단을 위한 딥 다중 인스턴스 학습(MIL)과 전통적인 단일 인스턴스 학습(SIL)을 비교한다. 합성(PAP-QMNIST) 및 실제 세포학적 데이터에서 SIL은 분류 정확도와 핵심 인스턴스 탐지에서 MIL을 능가했으며, 특히 이형성 및 악성 세포를 식별하는 데서 두드러진 성능을 보였다. 이는 SIL이 약한 감독 하에서 구강암 진단에 더 효과적이고 효율적임을 시사한다.

ABSTRACT

The current medical standard for setting an oral cancer (OC) diagnosis is histological examination of a tissue sample from the oral cavity. This process is time consuming and more invasive than an alternative approach of acquiring a brush sample followed by cytological analysis. Skilled cytotechnologists are able to detect changes due to malignancy, however, to introduce this approach into clinical routine is associated with challenges such as a lack of experts and labour-intensive work. To design a trustworthy OC detection system that would assist cytotechnologists, we are interested in AI-based methods that reliably can detect cancer given only per-patient labels (minimizing annotation bias), and also provide information on which cells are most relevant for the diagnosis (enabling supervision and understanding). We, therefore, perform a comparison of a conventional single instance learning (SIL) approach and a modern multiple instance learning (MIL) method suitable for OC detection and interpretation, utilizing three different neural network architectures. To facilitate systematic evaluation of the considered approaches, we introduce a synthetic PAP-QMNIST dataset, that serves as a model of OC data, while offering access to per-instance ground truth. Our study indicates that on PAP-QMNIST, the SIL performs better, on average, than the MIL approach. Performance at the bag level on real-world cytological data is similar for both methods, yet the single instance approach performs better on average. Visual examination by cytotechnologist indicates that the methods manage to identify cells which deviate from normality, including malignant cells as well as those suspicious for dysplasia. We share the code as open source at https://github.com/MIDA-group/OralCancerMILvsSIL

연구 동기 및 목표

• 환자 수준의 레이블만을 사용하여 다중 인스턴스 학습(MIL)과 단일 인스턴스 학습(SIL)의 성능을 평가한다.
• 진단에 가장 관련성이 높은 세포를 식별하여 두 방법의 해석 가능성(의학적 신뢰도 및 감독 가능성)을 평가한다.
• 실제 구강 세포학 데이터를 모방하면서도 개별 인스턴스의 진정값을 제공하는 합성 데이터셋(PAP-QMNIST)을 개발하고 검증한다.
• LeNet, ResNet18, SqueezeNet 등의 다양한 신경망 아키텍처에서 MIL과 SIL의 강건성과 신뢰성을 합성 및 실제 데이터에서 비교한다.
• MIL의 약한 감독 학습 이론적 이점이 실제 세포학적 구강암 진단에서 실질적인 이점으로 이어지는지 평가한다.

제안 방법

• 환자 수준의 레이블만을 사용하여 개별 인스턴스 성능 평가가 가능한 제어된 레이블을 가진 합성 PAP-QMNIST 데이터셋을 제안하여 구강 세포학 데이터를 시뮬레이션한다.
• ABMIL(주의 기반 MIL)을 적용하여 환자 수준의 레이블만을 기반으로 한 백(배치) 내 샘플링 및 마이크로백 전략을 통해 학습한다.
• 기존의 SIL을 사용하여 각 세포에 그 세포가 속한 환자의 레이블을 할당함으로써 표준 딥러닝 프레임워크를 활용한 엔드 투 엔드 학습을 가능하게 한다.
• LeNet, ResNet18, SqueezeNet 세 가지 신경망 아키텍처를 MIL 및 SIL 프레임워크에서 모두 평가하여 아키텍처 일관성을 확보한다.
• ABMIL에서는 주의 메커니즘을, SIL에서는 예측 점수를 사용하여 핵심 인스턴스(예: 악성 또는 이형성 세포)를 식별하여 해석 가능성 확보.
• 세포학 기술사의 시각적 검증을 통해 예측된 핵심 인스턴스가 임상적으로 관련 있는 정상성 이탈과 일치하는지 평가.

실험 결과

연구 질문

• RQ1 환자 수준의 레이블만 제공될 때, MIL이 SIL보다 구강암 진단에서 성능이 뛰어나게 되는가?
• RQ2 MIL과 SIL 모두가 세포 수준의 레이블이 제한된 상황에서도 생물학적으로 관련성이 높은 세포(예: 악성 또는 이형성 세포)를 신뢰성 있게 탐지할 수 있는가?
• RQ3 양성 백 내 핵심 인스턴스 비율이 ABMIL의 성능에 어떤 영향을 미치는가? (합성 PAP-QMNIST 데이터 기준)
• RQ4 MIL과 SIL이 합성 데이터에서 생물학적으로 관련 없는 특징(예: 색상, 방향)에 너무 많은 주의를 기울이는 정도는 어느 정도인가?
• RQ5 실제 세포학적 데이터에서 더 복잡한 MIL이 단순한 SIL보다 진단 성능과 해석 가능성 향상에 기여하는가? 즉, 복잡성 증가에 비례한 성과 향상이 있는가?

주요 결과

• PAP-QMNIST 합성 데이터셋에서 SIL은 백 수준 정확도와 인스턴스 수준 AUC 모두에서 ABMIL를 뛰어넘었으며, 특히 핵심 인스턴스 비율이 낮을 경우(예: 5%) 두드러진 성능 향상을 보였다.
• ABMIL는 최소 10%의 핵심 인스턴스 비율이 있어야 백을 신뢰성 있게 분류하고 높은 AUC를 달성할 수 있었으며, 이는 MIL 이론이 예측하지 못한 임계점 효과를 보였다.
• ABMIL는 PAP-QMNIST에서 색상 및 방향과 같은 비관련 특징에 주의를 기울이는 경향을 보였으며, 이는 임의의 주의 패턴 발생 가능성을 시사한다.
• 실제 세포학적 데이터에서 SIL은 모든 세 가지 아키텍처에서 백 수준 정확도 0.9 이상을 달성했고, ABMIL는 평균적으로 0.85 이하에 머물렀다.
• 세포학 기술사의 검증 결과, SIL은 ABMIL가 상위 36개 핵심 인스턴스에 포함하지 않은 고-grade 이형성 세포를 탐지했으며, 이는 이 경우에서 SIL의 더 높은 민감도를 시사한다.
• 이론적 이점이 있음에도 불구하고, MIL는 SIL에 비해 일관된 성능 향상을 보이지 않았고, 실질적으로 더 단순한 SIL 접근 방식이 더 신뢰성 있고 메모리 효율적이었다.