[논문 리뷰] Gleason Score Prediction using Deep Learning in Tissue Microarray Image

Yihong Zhang, Jing Zhang외 3명|arXiv (Cornell University)|2020. 05. 11.

AI in cancer detection참고 문헌 12인용 수 4

한 줄 요약

이 연구는 조직 미세진단 배열(TMA) 영상에서 Gleason 점수를 예측하기 위해 미세조정된 합성곱 신경망(CNN)을 사용하는 딥러닝 접근법을 제안한다. 사전 훈련된 전립선 세분화 모델을 활용하여 Gleason 등급 세분화를 향상시킨다. 이 방법은 평균 Dice 점수 75.6%를 기록했으며, Gleason2019 챌린지에서 종합 점수 0.778(Cohen의 카파 및 F1 점수)로 4위를 기록했다.

ABSTRACT

Prostate cancer (PCa) is one of the most common cancers in men around the world. The most accurate method to evaluate lesion levels of PCa is microscopic inspection of stained biopsy tissue and estimate the Gleason score of tissue microarray (TMA) image by expert pathologists. However, it is time-consuming for pathologists to identify the cellular and glandular patterns for Gleason grading in large TMA images. We used Gleason2019 Challenge dataset to build a convolutional neural network (CNN) model to segment TMA images to regions of different Gleason grades and predict the Gleason score according to the grading segmentation. We used a pre-trained model of prostate segmentation to increase the accuracy of the Gleason grade segmentation. The model achieved a mean Dice of 75.6% on the test cohort and ranked 4th in the Gleason2019 Challenge with a score of 0.778 combined of Cohen's kappa and the f1-score.

연구 동기 및 목표

• 조직 미세진단 배열(TMA) 영상에서 딥러닝을 활용해 전립선암의 Gleason 점수 예측을 자동화하기 위해.
• 대규모 TMA 데이터셋에서 병리의사가 수작업으로 Gleason 등급을 매기는 데 소요되는 시간 문제를 해결하기 위해.
• 사전 훈련된 전립선 세분화 모델을 사전 지식으로 활용하여 Gleason 등급 세분화 정확도를 향상시키기 위해.
• TMA 영상 기반 CNN 기반 접근법을 통해 Gleason2019 챌린지에서 높은 성능을 달성하기 위해.
• 전립선암 진단의 임상적 의사결정 지원을 위해 더 빠르고 일관성 있는 Gleason 등급 매기기 가능성을 제공하기 위해.

제안 방법

• 딥러닝 모델의 훈련 및 평가를 위해 Gleason2019 챌린지 데이터셋을 사용하였다.
• Gleason 등급 분류를 유도하기 위해 전립선 조직 세분화를 위한 사전 훈련된 합성곱 신경망(CNN)을 활용하였다.
• TMA 영상에 대해 CNN을 미세조정하여 다양한 Gleason 등급(예: 3, 4, 5)의 픽셀 수준 세분화를 수행하였다.
• 클래스 불균형 문제를 해결하기 위해 교차 엔트로피 손실에 포화 손실(focal loss)을 적용하여 모델을 종합적으로 훈련시켰다.
• 제한된 훈련 데이터에서 일반화 및 강인성을 향상시키기 위해 데이터 증강 기법을 적용하였다.
• 테스트 코hort에서의 세분화 성능 평가 지표로 평균 Dice 계수를 주요 평가 지표로 사용하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 조직 미세진단 배열(TMA) 영상에서 Gleason 등급을 정확하게 세분화할 수 있는가?
• RQ2 사전 훈련된 전립선 세분화 모델을 통합함으로써 Gleason 등급 세분화 성능는 어떻게 향상되는가?
• RQ3 Gleason2019 데이터셋에서 모델의 예측 성능는 Dice 점수 및 챌린지 순위 측면에서 어떻게 평가되는가?
• RQ4 다양한 염색 및 조직 형태학적 특성을 가진 새로운 TMA 영상에 대해 모델은 잘 일반화되는가?
• RQ5 Cohen의 카파 및 F1 점수 측면에서 Gleason2019 챌린지의 다른 방법들과 비교해 모델은 어떻게 성능을 내는가?

주요 결과

• 모델은 테스트 코호트에서 평균 Dice 점수 75.6%를 기록하여 Gleason 등급의 강력한 픽셀 수준 세분화 성능를 나타냈다.
• 모델은 Gleason2019 챌린지에서 종합 점수 0.778로 4위를 기록하였으며, 이는 Cohen의 카파 및 F1 점수의 복합 지표이다.
• 사전 훈련된 전립선 세분화 모델의 통합은 Gleason 등급 세분화 정확도를 크게 향상시켰다.
• 데이터 증강 및 전이 학습을 통해 TMA 영상 품질 및 염색 패턴의 변동성에 대해 모델이 강인함을 입증하였다.
• 결과적으로 딥러닝은 병리의사가 수작업으로 평가하는 데 소요되는 시간 의존도를 줄이며 효과적으로 Gleason 등급 매기기를 자동화할 수 있음을 시사한다.
• 모델의 성능는 전립선암 진단 지원 시스템에서 임상적 도입 가능성을 강력히 시사한다.