[논문 리뷰] Computer-aided diagnosis of lung carcinoma using deep learning - a pilot study

Zhang Li, Zhe-Yu Hu외 11명|arXiv (Cornell University)|2018. 03. 14.

AI in cancer detection참고 문헌 37인용 수 26

한 줄 요약

이 pilot 연구는 비소세포성 및 소세포성 폐암 생검에서의 전체 슬라이드 이미지(WSI)를 사용하여 폐 카르시노마의 컴퓨터 지원 진단을 위한 딥 러닝 모델을 평가한다. 전문 병리의사가 진단한 조직병리학적 슬라이드로 훈련된 모델들은 AUC 점수 0.8810에서 0.9119 사이를 기록하여 인간 관찰자 수준의 뛰어난 성능를 보이며 진단 속도를 높였다.

ABSTRACT

Aim: Early detection and correct diagnosis of lung cancer are the most important steps in improving patient outcome. This study aims to assess which deep learning models perform best in lung cancer diagnosis. Methods: Non-small cell lung carcinoma and small cell lung carcinoma biopsy specimens were consecutively obtained and stained. The specimen slides were diagnosed by two experienced pathologists (over 20 years). Several deep learning models were trained to discriminate cancer and non-cancer biopsies. Result: Deep learning models give reasonable AUC from 0.8810 to 0.9119. Conclusion: The deep learning analysis could help to speed up the detection process for the whole-slide image (WSI) and keep the comparable detection rate with human observer.

연구 동기 및 목표

• 전체 슬라이드 이미지(WSI)에서의 폐 카르시노마 진단에 있어 딥 러닝 모델의 성능을 평가하기 위해.
• 경험 많은 인간 병리의사와의 비교를 통해 딥 러닝 모델의 진단 정확도를 평가하기 위해.
• 딥 러닝이 진단 신뢰성에 손상을 주지 않으면서 전체 슬라이드 이미지 분석 과정을 얼마나 가속화할 수 있는지 평가하기 위해.
• 암성과 비암성 폐 생검 조직을 구분하는 데 가장 효과적인 딥 러닝 아키텍처는 무엇인지 규명하기 위해.

제안 방법

• 비소세포성 및 소세포성 폐암 생검 조직을 연속적으로 수집하고 조직병리학적 분석을 위해 염색하였다.
• 훈련 및 평가를 위해 염색된 슬라이드에서 전체 슬라이드 이미지(WSI)를 생성하였다.
• 여러 딥 러닝 모델을 훈련시켜 WSI 특징을 기반으로 생검 조직을 암성 또는 비암성으로 분류하도록 하였다.
• 모든 생검 조직에 대해 두 명의 경험이 풍부한 병리의사(20년 이상 경력)가 독립적으로 진단하여 기준 진단을 확립하였다.
• 모델 성능은 수신기 작동 특성 곡선 아래 면적(AUC)을 사용하여 평가하였다.
• 이 연구는 표준 딥 러닝 아키텍처를 사용하였지만, 제공된 초록에는 구체적인 네트워크 유형(예: ResNet, DenseNet)은 기재되어 있지 않다.

실험 결과

연구 질문

• RQ1 어떤 딥 러닝 모델이 전체 슬라이드 이미지에서 폐 카르시노마를 식별하는 데 가장 높은 진단 정확도를 달성하는가?
• RQ2 딥 러닝 모델의 성능는 폐암 생검 조직 분류에서 경험이 풍부한 인간 병리의사와 비교해 어떻게 되는가?
• RQ3 딥 러닝은 진단 신뢰성을 유지하면서 전체 슬라이드 이미지 분석을 얼마나 가속화할 수 있는가?
• RQ4 다양한 딥 러닝 모델이 폐 카르시노마 WSI 분류에서 기록한 AUC 값의 범위는 무엇인가?

주요 결과

• 딥 러닝 모델은 전체 슬라이드 이미지에서 폐 카르시노마를 분류하는 데 AUC 점수 0.8810에서 0.9119 사이를 기록하였다.
• 가장 뛰어난 성능를 보인 모델들은 경험 많은 인간 병리의사와 비교해 유사한 진단 성능를 보였다.
• 딥 러닝의 사용은 수동 검토에 비해 전체 슬라이드 이미지 분석 과정을 크게 가속화하였다.
• 이 연구는 높은 신뢰성으로 폐암 진단을 위한 조직병리학적 이미지에 딥 러닝을 적용할 수 있음을 확인하였다.
• 결과는 딥 러닝이 폐암 선별 및 진단에서 강력한 도구로 활용될 수 있음을 시사한다.