[論文レビュー] OpenSRH: optimizing brain tumor surgery using intraoperative stimulated Raman histology

Cheng Jiang, Asadur Chowdury+8 more|PubMed|Jun 16, 2022

Spectroscopy Techniques in Biomedical and Chemical Research参考文献 37被引用数 12

ひとこと要約

本論文は、300例を超える脳腫瘍患者から得られた手術中の刺激的ラーマン組織像（SRH）画像を含む、公開初のOpenSRHデータセットを紹介する。このデータセットにより、迅速でラベルフリーの光学的イメージングと深層学習を用いた診断が可能となり、SRHとAI駆動分類・セグメンテーションを組み合わせたフレームワークは、高精度でリアルタイムな手術意思決定支援を実現する。対照的表現学習を用いたモデルは、多クラス脳腫瘍分類において95.3%の患者レベルの正確性に達している。

ABSTRACT

Accurate intraoperative diagnosis is essential for providing safe and effective care during brain tumor surgery. Our standard-of-care diagnostic methods are time, resource, and labor intensive, which restricts access to optimal surgical treatments. To address these limitations, we propose an alternative workflow that combines stimulated Raman histology (SRH), a rapid optical imaging method, with deep learning-based automated interpretation of SRH images for intraoperative brain tumor diagnosis and real-time surgical decision support. Here, we present <i>OpenSRH</i>, the first public dataset of clinical SRH images from 300+ brain tumors patients and 1300+ unique whole slide optical images. OpenSRH contains data from the most common brain tumors diagnoses, full pathologic annotations, whole slide tumor segmentations, raw and processed optical imaging data for end-to-end model development and validation. We provide a framework for patch-based whole slide SRH classification and inference using weak (i.e. patient-level) diagnostic labels. Finally, we benchmark two computer vision tasks: multiclass histologic brain tumor classification and patch-based contrastive representation learning. We hope OpenSRH will facilitate the clinical translation of rapid optical imaging and real-time ML-based surgical decision support in order to improve the access, safety, and efficacy of cancer surgery in the era of precision medicine. Dataset access, code, and benchmarks are available at https://opensrh.mlins.org.

研究の動機と目的

• 手術中の病理学的プロトコルが遅く、リソースを大量に要するという脳腫瘍手術における深刻なボトル neck を解消すること。
• 光学的イメージングとAIを用いて、従来の氷結切片法や細胞診断の代替手段として、迅速で標準的かつ正確な代替法を開発すること。
• 臨床的SRH画像に完全な病理学的アノテーション、全スライドレベルの腫瘍セグメンテーション、および生データ／処理済みイメージングデータを含む、公開初の臨床的SRH画像データセット「OpenSRH」をリリースすること。
• 神経外科学におけるリアルタイムの手術内診断を目的とした深層学習モデルのエンドツーエンド開発と検証を可能にすること。
• 迅速な光学的イメージングとAIベースの意思決定支援の臨床的応用を促進すること、特に精密腫瘍学分野において。

提案手法

• 本研究では、新規で処理されていない手術標本を2〜3分で高解像度で取得できる、ラベルフリーの光学的イメージング技術「刺激的ラーマン組織像（SRH）」を採用している。
• SRH画像は2つのラーマンシフト（2845 cm⁻¹ および 2930 cm⁻¹）で取得され、エッジクリッピング、フィールドフラットネス処理、コアジグレーションを用いて全スライド画像にアセンブルされている。
• 非重複領域の300×300ピクセルのパッチに事前に訓練済みの腫瘍セグメンテーションモデルを適用し、腫瘍、正常脳、診断不能の3分類に分類している。
• 弱い患者レベルの診断ラベルを用いて、パッチベース分類と対照的表現学習（SimCLR、SupCon）により深層学習モデルを訓練している。
• ImageNet、SimCLR、SupConを用いた事前学習を、ResNet50およびビジョントランスフォーマー（ViT-S）バックボーンを用いて、転移学習の有効性を評価している。
• 本フレームワークは、多クラス分類および表現学習タスクの両方において、線形評価およびファインチューニングプロトコルをサポートしている。

実験結果

リサーチクエスチョン

• RQ1 刺激的ラーマン組織像（SRH）と深層学習を組み合わせることで、病理学的インfraの最小限の要件で、迅速かつ正確な脳腫瘍手術内診断が可能になるか？
• RQ2 対照的表現学習（SimCLR、SupCon）は、SRH全スライド画像に対する脳腫瘍分類において、ImageNet事前学習と比較してどの程度の性能を示すか？
• RQ3 OpenSRHデータセット上での、モデル性能が異なるアーキテクチャ（ResNet50 対 ViT-S）およびトレーニングプロトコル（線形評価 対 ファインチューニング）でどのように変化するか？
• RQ4 患者レベルのラベルのみを用いた弱教師あり学習が、SRH画像分類で高い診断正確性を達成できる程度はどの程度か？
• RQ5 データモダリティ（生SRH 対 処理済み仮想H&E染色画像）が、下流分類および表現学習性能に与える影響は何か？

主な発見

• OpenSRHデータセットには、300例を超える患者から得られた1300枚以上の全スライド光学画像が含まれており、完全な病理学的アノテーション、腫瘍セグメンテーション、および生／処理済みSRHデータが含まれている。
• ResNet50バックボーンを用いたSupCon対照的表現学習により、多クラス脳腫瘍分類で95.3%の患者レベル正確性を達成した。
• SupCon事前学習を用いたファインチューニングでは、平均平均精度（MAP）が94.9%、患者レベル分類の正確性が91.7%に達し、ImageNetおよびSimCLRベースラインを上回った。
• ViT-Sアーキテクチャは、SupCon事前学習を用いることで92.2%の患者レベル正確性を達成し、モデルサイズが小さいにもかかわらず優れた性能を示した。
• 対照的表現学習（SupCon）は一般化性能を顕著に向上させ、線形評価で91.5%、ファインチューニングで94.6%の正確性を示した。
• 混同行列は、特にミエニオーマおよび転移性腫瘍に対して高い特異性と低い偽陰性率を示しており、診断の信頼性が高く、堅牢であることが示された。