[論文レビュー] Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis of Gastric Intestinal Metaplasia

Jon Braatz, Pranav Rajpurkar+3 more|arXiv (Cornell University)|Jan 5, 2022

Gastric Cancer Management and Outcomes被引用数 5

ひとこと要約

本論文は、ランダムなパッチサンプリングと畳み込みニューラルネットワーク（CNN）を用いたスパースな全スライド画像（WSI）解析手法を提案し、H&E染色バイオプシー・スライドにおける胃腸型化生（GIM）を高速に同定することを目的としている。この手法は、スライド全体のわずかな部分しか処理しないため、標準CPU上で1分未満で0.98のAUCと0.95の平均適合率を達成しており、GPU依存を避けた迅速かつ実用的な臨床的推論が可能である。

ABSTRACT

In recent years, deep learning has successfully been applied to automate a wide variety of tasks in diagnostic histopathology. However, fast and reliable localization of small-scale regions-of-interest (ROI) has remained a key challenge, as discriminative morphologic features often occupy only a small fraction of a gigapixel-scale whole-slide image (WSI). In this paper, we propose a sparse WSI analysis method for the rapid identification of high-power ROI for WSI-level classification. We develop an evaluation framework inspired by the early classification literature, in order to quantify the tradeoff between diagnostic performance and inference time for sparse analytic approaches. We test our method on a common but time-consuming task in pathology - that of diagnosing gastric intestinal metaplasia (GIM) on hematoxylin and eosin (H&E)-stained slides from endoscopic biopsy specimens. GIM is a well-known precursor lesion along the pathway to development of gastric cancer. We performed a thorough evaluation of the performance and inference time of our approach on a test set of GIM-positive and GIM-negative WSI, finding that our method successfully detects GIM in all positive WSI, with a WSI-level classification area under the receiver operating characteristic curve (AUC) of 0.98 and an average precision (AP) of 0.95. Furthermore, we show that our method can attain these metrics in under one minute on a standard CPU. Our results are applicable toward the goal of developing neural networks that can easily be deployed in clinical settings to support pathologists in quickly localizing and diagnosing small-scale morphologic features in WSI.

研究の動機と目的

• ギガピクセル級のWSIにおいて、ガブレット細胞のような小規模な形態的特徴を迅速かつ正確に局在化する課題に対処すること。これは、胃腸型化生（GIM）の診断に不可欠である。
• 密度的なWSI解析に比べて著しく推論時間を短縮しつつも、高い診断性能を維持するスパースな推論戦略の開発。
• GPU非依存であるため、病理科医のワークステーションにおける日常的使用に実用的な、コンsumer級ハードウェアへのデプロイを可能にすること。
• 早期分類設定における診断性能と推論時間のトレードオフを定量的に評価するフレームワークの構築。

提案手法

• 本手法は、WSIから固定サイズの画像パッチを逐次的にランダムにサンプリングし、事前に訓練済みのCNNを用いて各パッチを分類することで、ガブレット細胞の存在（GIMの証拠）を検出する。
• パッチレベルの分類スコアをリアルタイムで集約し、新しいパッチが処理されるたびにスライドレベルの診断を継続的に更新する。
• 本手法は、合計WSI面積のわずかな部分しか処理しないスパースなサンプリング戦略を採用しており、計算負荷を顕著に低減する。
• Webブラウザ上で実行される環境を模擬するために、推論はCPU、WebAssembly（wasm）、WebGLの3つのバックエンドで評価された。
• 性能と推論時間のトレードオフを定量化するために、時間系列分類の先行研究から適応した評価フレームワークが用いられ、異なるパッチサイズや倍率での分析が可能となった。
• モデルは、30枚のGIM陽性の全スライド画像のみを用いて学習されており、最小限のピクセル単位のアノテーションが必要であった。

実験結果

リサーチクエスチョン

• RQ1 スパースでパッチベースの深層学習手法は、コンsumer級ハードウェア上で1分未満の推論時間でGIM検出において高い診断性能を達成できるか？
• RQ2 異なるパッチサンプリング戦略、パッチサイズ、倍率において、診断性能と推論時間のトレードオフはどのように変化するか？
• RQ3 わずか30枚の陽性WSIに限定されたアノテーションデータで学習されたモデルが、GIMのスライドレベル分類においてどれほど信頼性を持つことができるか？
• RQ4 GPUアクセラレーションやリモートサーバーへのデータ転送を必要とせずに、Webブラウザ環境に効果的にデプロイ可能か？
• RQ5 CPU、wasm、WebGLの異なる推論バックエンドにおいて、速度と正確性の観点からモデルの性能はどのように比較されるか？

主な発見

• テストセット（GIM陽性20例、GIM陰性86例）において、本手法はWSIレベルの受信者操作特性曲線下積分（AUC）が0.98、平均適合率（AP）が0.95を達成した。
• すべてのGIM陽性症例が正しく同定され、証拠の局在化においてゼロの失敗率を示した。
• WebAssemblyバックエンドでは、20倍倍率で8秒未塔、CPUバックエンドでは45秒未塔の推論時間がかかった。これは臨床的な時間制約を満たしている。
• 高い性能を達成するためには、平均スライド面積の40％未満の処理で十分であった。これは計算コストを顕著に低減している。
• 2015年のMacBook ProのCPU（'cpu'バックエンド）でも、'wasm'バックエンドを使用することで1分未塔で分類を完了した。これは、標準的なワークステーションでも実現可能であることを証明している。
• 評価フレームワークは、性能と推論時間のトレードオフを効果的に定量化できており、スパースなWSI解析における意思決定を支援する設計選択を可能にした。