[논문 리뷰] Thyroid Cancer Malignancy Prediction From Whole Slide Cytopathology Images

David Dov, Shahar Z. Kovalsky외 4명|arXiv (Cornell University)|2019. 03. 29.

AI in cancer detection참고 문헌 38인용 수 12

한 줄 요약

이 논문은 초고해상도 전체 슬라이드 갑상선 세침도병리 영상에서 진단적으로 관련이 있는 복합세포군을 식별하고, 악성도와 TBS 분류를 동시에 예측함으로써 세침도병리학자와 유사한 방식의 딥러닝 프레임워크를 제안한다. 이 방법은 전문가 병리학자 수준의 성능을 달성하며, 정밀도-재현율 성능이 향상되고, 筛查 및 불확실한 경우의 보조에 잠재적이다.

ABSTRACT

We consider preoperative prediction of thyroid cancer based on ultra-high-resolution whole-slide cytopathology images. Inspired by how human experts perform diagnosis, our approach first identifies and classifies diagnostic image regions containing informative thyroid cells, which only comprise a tiny fraction of the entire image. These local estimates are then aggregated into a single prediction of thyroid malignancy. Several unique characteristics of thyroid cytopathology guide our deep-learning-based approach. While our method is closely related to multiple-instance learning, it deviates from these methods by using a supervised procedure to extract diagnostically relevant regions. Moreover, we propose to simultaneously predict thyroid malignancy, as well as a diagnostic score assigned by a human expert, which further allows us to devise an improved training strategy. Experimental results show that the proposed algorithm achieves performance comparable to human experts, and demonstrate the potential of using the algorithm for screening and as an assistive tool for the improved diagnosis of indeterminate cases.

연구 동기 및 목표

• 전체 슬라이드 디지털 세침도병리 영상에서 전신 수술 전 갑상선 악성도를 예측하기 위한 계산적 방법을 개발하는 것.
• 제한된 GPU 메모리로 인해 기가바이트 규모의 전체 슬라이드 영상을 처리하는 데 도전하는 문제를 해결하기 위해 진단적으로 관련이 있는 영역에 집중하는 것.
• 공동 예측을 통해 불확실한 경우(제10차 갑상선 세침도분류 시스템 TBS 3–5)의 진단 정확도를 향상시키기 위해 악성도와 TBS 분류 카테고리 예측을 동시에 수행하는 것.
• 인간 진단 워크플로우를 모방하는 확장 가능한, 감독 기반 접근법을 개발하는 것 — 먼저 관심 영역을 식별하고, 그 다음 특징을 집계하여 최종 예측을 수행하는 것.

제안 방법

• 이중 단계 딥러닝 파이프라인을 사용함: 첫 번째로, 전문가가 주석 처리한 패치를 활용하여 감독을 받는 컨volutional 신경망(CNN)이 영상 패치를 분류하여 복합세포군이 포함된 영역을 식별함.
• 모델은 전통적인 다중-인스턴스 학습과 다름없이 진단적으로 관련이 있는 패치에 직접 훈련하는 감독 기반 영역 제안 메커니즘을 사용함.
• 두 번째 네트워크는 검출된 복합세포 영역에서 특징을 집계하여 갑상선 악성도와 전수술적 TBS 분류를 예측함.
• 훈련 목표는 악성도 예측을 위한 이진 교차 엔트로피 손실과 TBS 분류 예측을 위한 순서형 회귀 손실을 조합하여 공동 최적화를 가능하게 함.
• 프레임워크는 TBS 분류와 악성도 확률 사이의 단조 증가 관계를 활용하여, TBS를 악성도 위험에 대한 일관된 대체 지표로 사용함.
• 초고해상도 전체 슬라이드 영상(최대 150,000 × 100,000 픽셀)은 패치 기반 추론을 통해 처리되어 전체 이미지 메모리 오버헤드를 방지함.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 전체 슬라이드 세침도병리 영상에서 갑상선 악성도를 예측하는 데 있어 전문가 세침도병리학자 수준의 성능을 달성할 수 있는가?
• RQ2 악성도와 TBS 분류 카테고리의 공동 예측은 단일 작업 학습에 비해 모델의 강건성과 임상적 유용성을 향상시키는가?
• RQ3 모델이 복합세포군을 식별하고 집중하는 능력이 전반적인 영상 분석이나 배경에 의해 지배되는 특징에 비해 더 뛰어난 성능을 내는가?
• RQ4 모델이 불확실한 경우(제10차 갑상선 세침도분류 시스템 TBS 3–5)를 인간 전문가를 초월하여 확실한 양성 또는 악성 레이블을 부여할 수 있는가?
• RQ5 모델의 성능가 훈련 패치의 품질과 대표성에 얼마나 의존하는가?

주요 결과

• 제안된 알고리즘은 전문가 세침도병리학자 수준의 receiver operating characteristic 곡선 아래 면적(AUC)을 달성하며, 평균 정밀도(AP) 점수도 향상됨.
• 모델은 TBS 2 및 TBS 6 케이스를 높은 신뢰도로 예측하여, 모두 양성 및 악성으로 정확히 분류함.
• 혼동 행렬은 TBS 2 및 TBS 6에 대해 강력한 블록-대각형 구조를 보이며, 양성 및 악성 케이스를 높은 정확도로 구분함을 나타냄.
• 알고리즘은 원래 불확실한 것으로 레이블링된 일부 케이스를 TBS 2 또는 TBS 6으로 재분류함으로써, 어려운 케이스에서 보조 도구로서의 잠재력을 보여줌.
• 모델의 예측은 TBS 체계의 단조 증가성과 일치하며, 예측된 TBS 값이 높을수록 악성도 위험이 높아짐.
• 히트맵과 검출된 영역의 시각적 점검을 통해, 모델은 고해상도 슬라이드에서 진단적으로 관련이 있는 복합세포군을 효과적으로 식별함을 확인함.