[論文レビュー] ConvPath: A Software Tool for Lung Adenocarcinoma Digital Pathological Image Analysis Aided by Convolutional Neural Network

Shidan Wang, Tao Wang+12 more|arXiv (Cornell University)|Sep 20, 2018

AI in cancer detection参考文献 23被引用数 11

ひとこと要約

ConvPath は、畳み込みニューラルネットワーク（CNN）に基づくパイプラインを用いて、肺アデノカジオーマの組織画像スライドの分析を自動化するディープラーニング駆動のソフトウェアツールです。このツールは核をセグメンテーションし、腫瘍、ストーマ、リンパ球細胞を独立したテストデータで90.1％の正確性で分類し、腫瘍微小環境の特徴を抽出するための空間マップを生成します。これにより、臨床的変数を調整した上で生存予後を独立して予測できます。

ABSTRACT

The spatial distributions of different types of cells could reveal a cancer cell growth pattern, its relationships with the tumor microenvironment and the immune response of the body, all of which represent key hallmarks of cancer. However, manually recognizing and localizing all the cells in pathology slides are almost impossible. In this study, we developed an automated cell type classification pipeline, ConvPath, which includes nuclei segmentation, convolutional neural network-based tumor, stromal and lymphocytes classification, and extraction of tumor microenvironment related features for lung cancer pathology images. The overall classification accuracy is 92.9% and 90.1% in training and independent testing datasets, respectively. By identifying cells and classifying cell types, this pipeline can convert a pathology image into a spatial map of tumor, stromal and lymphocyte cells. From this spatial map, we can extracted features that characterize the tumor micro-environment. Based on these features, we developed an image feature-based prognostic model and validated the model in two independent cohorts. The predicted risk group serves as an independent prognostic factor, after adjusting for clinical variables that include age, gender, smoking status, and stage.

研究の動機と目的

• 肺アデノカジオーマの組織画像スライドにおける手作業による細胞タイプ同定の課題に対処すること。
• デジタル全体スライド画像における核セグメンテーションと細胞タイプ分類のための自動化パイプラインを開発すること。
• 腫瘍微小環境成分（腫瘍、ストーマ、リンパ球）の空間的特徴を抽出し、その後続の予後モデリングに活用すること。
• CNNに基づく画像特徴モデルが肺アデノカジオーマにおいて独立した予後予測要因であることを検証すること。
• 臨床および研究用途におけるデジタル病理学で再現可能でオープンソースのソフトウェアツールを提供すること。

提案手法

• パイプラインは、ディープラーニングに基づくインスタンスセグメンテーション手法を用いた核セグメンテーションから開始される。
• 分類された核を腫瘍、ストーマ、リンパ球の3種類に分類するための畳み込みニューラルネットワーク（CNN）が訓練される。
• 分類結果から細胞分布の空間マップが生成され、腫瘍微小環境の構造を表現する。
• 空間マップから画像レベルの特徴が抽出され、細胞密度、空間パターン、近接度指標が含まれる。
• これらの画像由来の特徴を用いて予後モデルが構築され、2つの独立した患者コhortで検証される。
• 生存予後性能の評価にはコックス比例ハザード回帰が用いられ、年齢、性別、喫煙状態、腫瘍ステージを調整する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングに基づくパイプラインは、肺アデノカジオーマの全体スライド画像における腫瘍、ストーマ、リンパ球細胞を正確に分類できるか？
• RQ2 細胞分布マップから導出される空間的特徴は、臨床的変数を独立して予後予測できるか？
• RQ3 CNNに基づく画像特徴モデルは、従来の臨床的ステージングを上回るか、補完的であるか？
• RQ4 自動化パイプラインは、腫瘍微小環境の再現可能で生物学的に解釈可能な空間的パターンを生成できるか？
• RQ5 独立した患者コhortで検証された場合、予後モデルは頑健であるか？

主な発見

• CNNモデルの全体的な分類正確度は、トレーニングデータセットで92.9％、独立したテストデータセットで90.1％に達した。
• 画像特徴に基づく予後モデルは、年齢、性別、喫煙状態、腫瘍ステージを調整した後でも、生存予後を独立した予測要因として果たした。
• モデルは生存結果に有意な差がある高リスク群と低リスク群に患者を的確に分類した。
• 腫瘍、ストーマ、リンパ球細胞の空間的分布は、ConvPathパイプラインを用いて効果的に捉えられ、定量化された。
• このツールは2つの独立した患者コhortにおいても頑健で再現可能であり、臨床的応用の可能性が裏付けられた。
• ディープラーニングとデジタル病理学の統合により、腫瘍微小環境特徴の高スループットで客観的かつスケーラブルな分析が可能になった。