[논문 리뷰] SlideGraph+: Whole Slide Image Level Graphs to Predict HER2Status in Breast Cancer

Wenqi Lu, Michael S. Toss외 3명|arXiv (Cornell University)|2021. 10. 12.

AI in cancer detection인용 수 15

한 줄 요약

SlideGraph+는 H&E 염색 유방암 슬라이드에서 전체 슬라이드 이미지(WSI)-수준의 그래프를 구축하는 그래프 신경망(GNN) 프레임워크를 제안한다. 이는 전역 조직 구조와 세포 상황을 그래프 기반 표현 학습을 통해 포착하여 HER2 상태를 직접 예측하며, TCGA에서 AUC >0.75, 독립 데이터셋에서 0.8을 기록하여 최신 기술을 초월한다.

ABSTRACT

Human epidermal growth factor receptor 2 (HER2) is an important prognostic and predictive factor which is overexpressed in 15-20% of breast cancer (BCa). The determination of its status is a key clinical decision making step for selection of treatment regimen and prognostication. HER2 status is evaluated using transcroptomics or immunohistochemistry (IHC) through situ hybridisation (ISH) which require additional costs and tissue burden in addition to analytical variabilities in terms of manual observational biases in scoring. In this study, we propose a novel graph neural network (GNN) based model (termed SlideGraph+) to predict HER2 status directly from whole-slide images of routine Haematoxylin and Eosin (H&E) slides. The network was trained and tested on slides from The Cancer Genome Atlas (TCGA) in addition to two independent test datasets. We demonstrate that the proposed model outperforms the state-of-the-art methods with area under the ROC curve (AUC) values > 0.75 on TCGA and 0.8 on independent test sets. Our experiments show that the proposed approach can be utilised for case triaging as well as pre-ordering diagnostic tests in a diagnostic setting. It can also be used for other weakly supervised prediction problems in computational pathology. The SlideGraph+ code is available at https://github.com/wenqi006/SlideGraph.

연구 동기 및 목표

• 일반적인 H&E 염색 전체 슬라이드 이미지(WSI)에서 직접 HER2 상태를 예측할 수 있는 방법을 개발한다. 이는 비용이 많이 들고 변동성이 큰 IHC/ISH 검사의 필요성을 생략한다.
• 계산 병리학에서 패치 기반 딥 러닝 모델의 한계를 극복한다. 예를 들어, 전역적 맥락의 손실과 패치 수준의 레이블링에 의존하는 문제를 해결한다.
• 그래프 표현 학습을 활용하여 WSI 수준에서 조직의 공간적 배열과 생물학적 구조를 모델링한다.
• 픽셀 수준의 애너테이션 필요 없이 WSI 수준의 레이블만을 사용하여 약한 지도 학습을 가능하게 한다.
• 병리학 워크플로우에서 케이스 트리징 및 진단 테스트 사전 주문을 위한 임상적 유용성을 탐색한다.

제안 방법

• 다중 확대 수준에서 조직 패치에서 형태학적 및 조직학적 특징을 추출하여 WSI 수준의 그래프를 구축한다.
• 그래프 컬러리션 네트워크(GCNs)를 사용하여 노드(패치) 간 특징을 집계하고 전파하여 장거리 공간적 의존성과 조직 구조를 포착한다.
• 세포 수준의 특징(예: 세포핵 형태, DAB 밀도 추정치)과 맥락적 특징(예: 올러 수, 면적, 타원도)을 노드 표현에 통합한다.
• 패치 수준의 애너테이션 필요 없이 WSI 수준의 레이블(HER2+ 또는 HER2−)만을 사용하는 약한 지도 학습 전략을 적용한다.
• 모델의 해석성과 성능 향상을 위해 H&E 이미지에서 HER2 특이적 염색제 밀도를 예측하는 DAB 밀도 회귀 헤드를 도입한다.
• 노드 수준의 예측을 최종 WSI 수준의 분류 점수로 집계하기 위해 그래프 풀링 및 리더아웃 레이어를 적용한다.

실험 결과

연구 질문

• RQ1 IHC 또는 ISH에 의존하지 않고 그래프 기반 딥 러닝 모델이 H&E 염색 전체 슬라이드 이미지에서 HER2 상태를 효과적으로 예측할 수 있는가?
• RQ2 SlideGraph+의 성능는 독립 데이터셋에서 AUC와 강건성 측면에서 최신 기술의 패치 기반 방법과 비교해 어떻게 되는가?
• RQ3 특정 세포핵 이형성 특징(예: 올러 수의 표준편차, 악성세포 수)이 HER2 양성과 얼마나 관련이 있으며, 모델 예측 점수와의 상관관계는 어떠한가?
• RQ4 패치 기반 모델이 놓치는 바를 고려할 때, 모델은 WSI 수준에서 생물학적으로 의미 있는 조직 구조와 공간적 배열을 포착할 수 있는가?
• RQ5 기존의 패치 기반 모델과 비교해 SlideGraph+의 학습 및 추론 시간 측면에서 얼마나 효율적인가?

주요 결과

• SlideGraph+는 대규모이고 다양한 코hort로 구성된 The Cancer Genome Atlas(TCGA) 데이터셋에서 AUC 0.75 이상을 기록하여 뛰어난 성능을 입증했다.
• 두 개의 독립 테스트 데이터셋에서 모델은 AUC 0.80을 기록하여 학습 분포를 초월한 강력한 일반화 능력을 보였다.
• 모델의 예측 점수는 HER2 과발현의 핵심 조직학적 연관 요소인 DAB 밀도 추정치와 강한 상관관계를 보였다(PCC = 0.63, 95% CI 0.62–0.64).
• 세포핵 이형성 특징 중 올러 수의 표준편차(PCC = 0.49, p < 0.0001)와 악성세포 수(PCC = 0.38, 95% CI 0.34–0.41)는 HER2 양성과 유의미하게 상관관계가 있었다.
• 모델은 뛰어난 계산 효율성을 보였으며, 단일 GPU에서 WSI당 추론 시간이 단 0.4밀리초에 불과했고, 패치 기반 기준선 대비 1.2초보다 훨씬 빠르게 작동했다.
• 특징과 모델 점수의 밀도도는 HER2 양성 및 음성 케이스 간 명확한 분리를 보여, 학습된 표현의 생물학적 타당성을 뒷받침했다.