[논문 리뷰] Identifying Metastases in Sentinel Lymph Nodes with Deep Convolutional Neural Networks

Richard J. Chen, Yating Jing외 1명|arXiv (Cornell University)|2016. 08. 04.

AI in cancer detection참고 문헌 4인용 수 10

한 줄 요약

이 연구는 색소 정규화된 전체 슬라이드 이미지와 최적화된 AlexNet을 사용한 딥러닝 프레임워크를 제안하여 섬망 림프절의 전이 부위를 탐지한다. 색소 정규화와 타일 기반 컨볼루션 신경망 분류를 적용함으로써, 모델은 슬라이드 기반 평가에서 96% 민감도, 89% 특이도, AUC 0.90을 달성하여 기관별 캘리브레이션 없이 다양한 색소 프로토콜에 걸쳐 강력한 일반화 성능을 보였다.

ABSTRACT

Metastatic presence in lymph nodes is one of the most important prognostic variables of breast cancer. The current diagnostic procedure for manually reviewing sentinel lymph nodes, however, is very time-consuming and subjective. Pathologists have to manually scan an entire digital whole-slide image (WSI) for regions of metastasis that are sometimes only detectable under high resolution or entirely hidden from the human visual cortex. From October 2015 to April 2016, the International Symposium on Biomedical Imaging (ISBI) held the Camelyon Grand Challenge 2016 to crowd-source ideas and algorithms for automatic detection of lymph node metastasis. Using a generalizable stain normalization technique and the Proscia Pathology Cloud computing platform, we trained a deep convolutional neural network on millions of tissue and tumor image tiles to perform slide-based evaluation on our testing set of whole-slide images images, with a sensitivity of 0.96, specificity of 0.89, and AUC score of 0.90. Our results indicate that our platform can automatically scan any WSI for metastatic regions without institutional calibration to respective stain profiles.

연구 동기 및 목표

• 기관별 캘리브레이션 없이도 일반화 가능한 딥러닝 모델을 개발하여 섬망 림프절 전체 슬라이드 이미지의 전이 부위를 자동으로 탐지하는 것.
• 병리의사가 전체 슬라이드 이미지(WSI)를 수작업으로 검토하는 데 소요되는 시간과 주관성의 부담을 줄이는 것.
• 강력한 색소 정규화 기술을 통해 기관 간 색소 변동성을 제거하는 것.
• 전이 학습 기반 접근법을 통해 AlexNet을 사용하여 높은 성능의 슬라이드 기반 분류를 달성하는 것.
• 지역적 색소 프로파일에 대한 재캘리브레이션 없이 다양한 디지털 병리 플랫폼에 쉽게 구현 가능한 것.

제안 방법

• 전처리 단계에서는 색상 공간 변환을 통한 조직 세그멘테이션, 중앙값 블러링, 그리고 과도한 채도 채널에 대한 Otsu의 이진화를 수행하여 배경에서 조직 영역을 분리하였다.
• 각 256×256 타일에 대해 일반화 가능한 방법을 사용하여 색소 정규화를 적용하여 원본 이미지를 목표 색소 프로파일에 맞추어, 기관 간 변동성을 줄였다.
• 256×256 타일에서 훈련된 최적화된 AlexNet 모델은 과적합을 방지하기 위해 무작위 224×224 패치 및 수평 뒤집기와 같은 데이터 증강 기법을 사용하였다.
• 예측 결과를 수준 0 타일에서 수준 4의 WSI 피라미드로 매핑하여, 효율적인 계산과 시각화를 가능하게 하는 종양 확률 히트맵을 생성하였다.
• 슬라이드 수준의 분류를 위해 종양 확률 히트맵에서 추출한 기하학적 및 형태학적 특징을 기반으로 랜덤 포레스트 분류기를 훈련시켰다.
• 평가를 위해 Camelyon 2016 훈련 세트의 270개 WSI에 대해 60-20-20 훈련-검증-테스트 분할을 적용하였다.

실험 결과

연구 질문

• RQ1 기관별 캘리브레이션 없이도 딥러닝 모델이 섬망 림프절 전체 슬라이드 이미지의 전이 부위를 높은 민감도와 특이도로 탐지할 수 있는가?
• RQ2 색소 정규화는 다양한 색소 프로토콜 간에 딥러닝 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ3 타일 기반 분류와 히트맵 후처리 기법이 슬라이드 수준 진단 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 AlexNet을 사용한 전이 학습 접근법이 저대비, 고해상도 WSI 데이터에서 전이 패atters를 효과적으로 탐지할 수 있는가?
• RQ5 종양 확률 히트맵에서 추출한 형태학적 및 통계적 특징의 통합이 원시 모델 예측 결과를 초월하여 슬라이드 수준 분류 성능을 향상시키는가?

주요 결과

• 색소 정규화는 타일 기반 분류 정확도를 92.7%에서 96.6%로 향상시켜 색소 유도 모델 편향을 줄이는 데 핵심적인 역할을 함을 입증하였다.
• 최종 슬라이드 기반 평가에서 민감도 0.96, 특이도 0.89, AUC 점수 0.90를 달성하여 강력한 진단 성능을 보였다.
• 개별 기관의 색소 특성에 대한 재캘리브레이션 없이도 다양한 색소 프로파일 간에 일반화 성능을 유지를 하였다.
• WSI 피라미드의 수준 4에서 생성된 종양 확률 히트맵은 최소한의 계산 부담으로 효율적이고 확장 가능한 슬라이드 수준 추론을 가능하게 하였다.
• 평균 확률, 분산, 종양 영역 수와 같은 특징을 기반으로 훈련된 랜덤 포레스트 분류기는 원시 모델 출력 결과보다 슬라이드 수준 분류 성능을 크게 향상시켰다.
• 이 프레임워크는 병리의사의 작업 부담을 줄이면서도 높은 진단 정확도를 유지할 수 있어 임상적 적용 잠재력을 보였으며, 의사결정 지원 도구로의 구현 가능성을 시사한다.