[論文レビュー] Prediction of Kidney Function from Biopsy Images Using Convolutional Neural Networks

David Ledbetter, Van Long Ho+1 more|arXiv (Cornell University)|Feb 6, 2017

AI in cancer detection参考文献 11被引用数 12

ひとこと要約

本研究では、慢性腎症患者の高解像度デジタル腎生検画像から12か月後の推定糸球体濾過量（eGFR）を予測する畳み込みニューラルネットワーク（CNN）を開発した。トリコーム染色およびPAS-D染色スライドからの、半自動的な領域選択（ROI）を用いた腎皮質抽出により、モデルは平均絶対誤差17.55 mL/minを達成し、ベースラインのeGFR伝播法（30.5 mL/min）を著しく上回った。深層学習が腎機能低下の早期予測に有効であることが示された。

ABSTRACT

A Convolutional Neural Network was used to predict kidney function in patients with chronic kidney disease from high-resolution digital pathology scans of their kidney biopsies. Kidney biopsies were taken from participants of the NEPTUNE study, a longitudinal cohort study whose goal is to set up infrastructure for observing the evolution of 3 forms of idiopathic nephrotic syndrome, including developing predictors for progression of kidney disease. The knowledge of future kidney function is desirable as it can identify high-risk patients and influence treatment decisions, reducing the likelihood of irreversible kidney decline.

研究の動機と目的

• デジタル病理学的画像からの将来の腎機能を予測する深層学習モデルの開発を目的とする。
• 臨床的病理学における高解像度全体スライド画像処理、限られたデータ、および変動する染色プロトコルの課題を克服することを目的とする。
• 腎皮質領域からの視覚的特徴を活用して、進行性腎疾患のリスクにさらされている患者の早期同定を改善することを目的とする。
• 生検組織の形態学的特徴のみ、および（必要に応じて）初期eGFRを用いて、ベースラインから12か月後のeGFRを予測するCNNの性能を評価することを目的とする。
• 慢性腎症における臨床的意思決定支援のため、腎生検の自動的・データ駆動的分析の可能性を検討することを目的とする。

提案手法

• 限られた患者データ（n=80）のため、患者レベルの5-fold交差検証を用い、モデルの評価を堅牢に行う。
• 腎皮質および糸球体に焦点を当て、メドゥラリス組織を除くために、Leica ImageScopeを用いてデジタルスライドから領域選択（ROI）を手動で抽出した。
• 最適化にはRMSPropを使用し、デフォルトのハイパーパrameterを採用：ρ=0.9、ε=1e-6、初期学習率0.0001、エポックごとの線形減衰を適用した。
• 重み初期化にはGlorot uniform（Xavier）初期化を用い、学習の安定化と収束の改善を図った。
• 20ミクロンのピクセル解像度を有する高解像度画像（150,000 × 50,000 × 3ピクセル）を用い、クロッピングおよびデータ拡張処理を施してモデルを学習させた。
• 性能評価には、真のeGFRと予測されたeGFRの散布図と、1:1線への最小二乗フィットからの残差を用い、主な指標として平均絶対誤差（MAE）を採用した。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワークは、高解像度デジタル腎生検画像から、将来のeGFRを予測する特徴を学習できるか？
• RQ2 生検画像特徴に加えて初期eGFRを組み込むことで、画像のみのモデルに比べて予測精度が向上するか？
• RQ3 限られたデータ環境下で、モデルの性能は単純なeGFR伝播法というベースラインと比べてどうなるか？
• RQ4 全体スライド画像からの自動的または半自動的なROI抽出は、腎症病理学における臨床的予測をどの程度向上できるか？
• RQ5 慢性腎症における将来的な腎機能低下と関連する腎皮質形態の視覚的パターンは何か？

主な発見

• CNNは、ベースラインから12か月後のeGFR予測において、平均絶対誤差（MAE）17.55 mL/minを達成し、ベースラインのeGFR伝播法（MAE 30.5 mL/min）を著しく上回った。
• 最終全結合層に画像特徴と初期eGFRを組み合わせたモデルは、画像のみのバージョンに比べて性能が向上しており、検証用散布図から明らかになった。
• 5-fold患者レベルの交差検証により、80例の患者で十分なフォローアップデータを有する少数のデータセットでも信頼性の高い評価が可能となった。
• 結果から、深層学習が従来の手動測定では容易に定量化できない臨床的に関連する予測可能な形態的特徴を腎生検から抽出できることを示した。
• 本研究は、高解像度デジタル病理学データを活用して長期的な腎機能を予測可能であり、早期リスク分類が可能であるという概念的実証を確立した。
• 今後の課題には、代替のCNNアーキテクチャの検討、ハイパーパrameterチューニング、解釈可能性手法の適用により、学習された特徴に生物学的に意味のあるパターンを解明することを含む。