[논문 리뷰] Segmenting Potentially Cancerous Areas in Prostate Biopsies using Semi-Automatically Annotated Data

Nikolay Burlutskiy, Nicolas Pinchaud외 8명|arXiv (Cornell University)|2019. 04. 15.

AI in cancer detection참고 문헌 14인용 수 4

한 줄 요약

이 논문은 면역형광 영상에서 반추적으로 생성된 WOB(기저세포가 없는 선조직) 마스크를 기반으로, 전립선 생검에서 암성 가능성이 있는 영역을 세분화하기 위한 딥러닝 프레임워크를 제안한다. WOB 클래스를 객관적인 지표로 삼아, 바늘 생검에서 F1 스코어 0.80과 PR AUC 0.89의 높은 정확도를 달성하였으며, 암성 영역을 놓친 경과가 있는 병리의사보다 뛰어난 성능을 보였고, H&E 염색 슬라이드에서 인간 수준의 성능을 유지하였다.

ABSTRACT

Gleason grading specified in ISUP 2014 is the clinical standard in staging prostate cancer and the most important part of the treatment decision. However, the grading is subjective and suffers from high intra and inter-user variability. To improve the consistency and objectivity in the grading, we introduced glandular tissue WithOut Basal cells (WOB) as the ground truth. The presence of basal cells is the most accepted biomarker for benign glandular tissue and the absence of basal cells is a strong indicator of acinar prostatic adenocarcinoma, the most common form of prostate cancer. Glandular tissue can objectively be assessed as WOB or not WOB by using specific immunostaining for glandular tissue (Cytokeratin 8/18) and for basal cells (Cytokeratin 5/6 + p63). Even more, WOB allowed us to develop a semi-automated data generation pipeline to speed up the tremendously time consuming and expensive process of annotating whole slide images by pathologists. We generated 295 prostatectomy images exhaustively annotated with WOB. Then we used our Deep Learning Framework, which achieved the $2^{nd}$ best reported score in Camelyon17 Challenge, to train networks for segmenting WOB in needle biopsies. Evaluation of the model on 63 needle biopsies showed promising results which were improved further by finetuning the model on 118 biopsies annotated with WOB, achieving F1-score of 0.80 and Precision-Recall AUC of 0.89 at the pixel-level. Then we compared the performance of the model against 17 biopsies annotated independently by 3 pathologists using only H\&E staining. The comparison demonstrated that the model performed on a par with the pathologists. Finally, the model detected and accurately outlined existing WOB areas in two biopsies incorrectly annotated as totally WOB-free biopsies by three pathologists and in one biopsy by two pathologists.

연구 동기 및 목표

• Gleason 등급 평가의 주관성과 관찰자 간/내부 변동성을 줄이기 위해 생물학적 마커 기반 객관적인 지표 클래스를 도입하기 위해.
• 전립선 전체 슬라이드 영상에서 WOB 영역의 픽셀 수준의 레이블을 생성하기 위한 확장 가능한 반추적 자동화 파이프라인 개발을 위해.
• WOB 레이블이 부여된 데이터로 딥러닝 모델을 훈련시켜 바늘 생검에서 암성 가능성이 있는 영역을 고정밀도로 탐지하기 위해.
• 표준 H&E 염색 슬라이드를 사용해 전문 병리의사와의 성능 비교를 통해 임상적 관련성을 확보하기 위해.
• 모델이 병리의사가 놓친 WOB 영역을 탐지할 수 있음을 입증하여 진단 일관성을 향상시키기 위해.

제안 방법

• Cytokeratin 8/18(선조직)와 Cytokeratin 5/6 + p63(기저세포)의 공염색을 통해 정의된 객관적인 지표 클래스인 WOB(기저세포가 없는 선조직) 클래스를 도입하였다.
• 스캔된 면역형광 영상에서 H&E 영상와 정렬된 WOB 지표 마스크를 생성하기 위한 반추적 자동화 데이터 생성 파이프라인을 개발하였다.
• Camelyon17 챌린지에서 2위를 차지한 프레임워크를 활용하여 딥러닝 모델을 훈련시켰으며, 사전 훈련을 295개 전립선 절제술 슬라이드에서 수행한 후, 118개 생검 슬라이드에서 미세조정하였다.
• 다양한 스캐너와 임상 실험실 간의 내성 및 일반화 능력을 향상시키기 위해 데이터 증강 및 모델 앙상블 기법을 적용하였다.
• 63개 생검에서 평가를 위해 정밀도-재현율 AUC와 F1 스코어를 주요 평가 지표로 사용하였으며, 17개 생검에서 독립적인 병리의사 레이블과 예측 결과를 비교하였다.
• 전립선 절제술 데이터에서만 훈련된 모델, 생검 데이터에서만 훈련된 모델, 또는 공동 사전 훈련 및 미세조정 전략을 사용한 모델 간의 분석을 통해 최적의 훈련 전략을 규명하였다.

실험 결과

연구 질문

• RQ1 WOB 클래스는 전립선 암 검출을 위한 딥러닝 모델 훈련에 신뢰할 수 있고 객관적인 지표로 기능할 수 있는가?
• RQ2 반추적 자동화 레이블 생성 방식은 WOB 영역의 레이블 품질을 유지하면서 병리의사의 작업 부담을 크게 줄일 수 있는가?
• RQ3 WOB 레이블이 부여된 데이터로 훈련된 딥러닝 모델은 H&E 염색 바늘 생검에서 전문 병리의사 수준의 성능을 달성할 수 있는가?
• RQ4 모델은 임상적으로 WOB가 없는 것으로 진단된 생검에서 병리의사가 놓친 WOB 영역을 탐지할 수 있는가?
• RQ5 전립선 절제술 데이터에서의 공동 사전 훈련 후 생검 데이터에서의 미세조정 전략이 모델의 일반화 능력과 성능 향상에 기여하는가?

주요 결과

• 전립선 절제술 데이터에서 훈련하고 생검 데이터에서 미세조정한 모델(M¹,²ₚᵣ,ᵦᵢ)은 63개 바늘 생검에서 F1 스코어 0.80과 정밀도-재현율 AUC 0.89를 기록하였다.
• 생검 또는 전립선 절제술 데이터에서만 훈련된 모델보다 성능이 뛰어나며, 최고의 복합 모델은 다양한 임계값에서 가장 높은 내성과 안정성을 보였다.
• 세 병리의사와의 직접 비교에서, 17개 H&E 염색 생검에서 모델은 민감도, 특이도, F1 스코어에서 인간 수준의 성능을 보였다.
• 세 병리의사가 모두 WOB가 없는 것으로 잘못 진단한 두 개의 생검에서 모델은 WOB 영역을 성공적으로 탐지하고 정확하게 윤곽을 그렸으며, 두 병리의사가 놓친 한 생검에서도 이를 탐지하였다.
• 반추적 자동화 데이터 생성 방식은 수동 병리의사 레이블링 의존도를 줄였고, 295개 전립선 절제술 슬라이드에 대해 고품질의 포괄적인 픽셀 수준의 레이블링을 가능케 하였다.
• 복합 모델 아키텍처(전립선 절제술에서의 사전 훈련 + 생검에서의 미세조정)는 수용 필드와 일반화 능력을 크게 향상시켜, 다른 훈련 전략보다 뛰어난 성능을 보였다.