[論文レビュー] Transfer Learning for Oral Cancer Detection using Microscopic Images

Rutwik Jayant Palaskar, Renu Vyas+3 more|arXiv (Cornell University)|Nov 23, 2020

AI in cancer detection参考文献 16被引用数 14

ひとこと要約

本研究では、口腔扁平上皮癌の顕微鏡的画像を新たに収集・拡張したデータセットを用いて、事前学習済みの畳み込みニューラルネットワーク（CNN）—特にInception V3、ResNet、MobileNet—を用いた転移学習フレームワークを提案する。この手法は、単純なCNNベースラインと比較して10–15%の絶対的な精度向上を達成し、特に微調整とデータ拡張を施したInception V3は91.13%の精度と88%のF1スコアを達成し、少数データ環境およびクラス不均衡下での組織病理学的分類において優れた性能を示している。

ABSTRACT

Oral cancer has more than 83% survival rate if detected in its early stages, however, only 29% of cases are currently detected early. Deep learning techniques can detect patterns of oral cancer cells and can aid in its early detection. In this work, we present the first results of neural networks for oral cancer detection using microscopic images. We compare numerous state-of-the-art models via transfer learning approach and collect and release an augmented dataset of high-quality microscopic images of oral cancer. We present a comprehensive study of different models and report their performance on this type of data. Overall, we obtain a 10-15% absolute improvement with transfer learning methods compared to a simple Convolutional Neural Network baseline. Ablation studies show the added benefit of data augmentation techniques with finetuning for this task.

研究の動機と目的

• 口腔がんの早期発見率が低いままである（現在29%）という深刻な課題に応えるために、深層学習を用いた組織病理学的分類の自動化を目的とする。
• 新たに収集した高品質な口腔扁平上皮癌および正常上皮組織の画像データセットを用いて、転移学習モデルの開発および評価を行う。
• 限られた医療画像データの文脈において、データ拡張および微調整がモデル性能に与える影響を調査する。
• 過小クラスのオーバーサンプリング、過大クラスのアンダーサンプリング、および損失重み付けの3つのクラス不均衡対策手法の効果を評価し、モデルの公平性および一般化性能の向上を検討する。
• 別々の臨床データソースから得たデータを用いたマルチサイトテストを通じて、モデルの頑健性を検証する。

提案手法

• ImageNetで事前学習済みのモデル（MobileNet、ResNet-50、Inception V3）を用いて転移学習を実施し、1224枚の組織病理学的画像から構成されるカスタムデータセット上で微調整した。
• 回転、反転、スケーリングなどのデータ拡張技術を適用し、トレーニングの多様性を高め、一般化性能を向上させた。
• 最終分類層を置き換え、最後の数層を低めの初期学習率で微調整することで、微調整を実施した。
• 3つのクラス不均衡緩和戦略を評価した：少数クラスのオーバーサンプリング、多数クラスのアンダーサンプリング、トレーニング中のクラス重み付き損失。
• モデル評価には標準指標（精度、適合率、再現率、F1スコア、AUC-ROC）を用い、混同行列分析を通じてクラスごとの性能を評価した。
• マルチサイトテストとして、共同研究を行っている歯科病院の123枚の追加OSCC画像に加え、元のテストセットからの非がん性画像を統合して実施した。

実験結果

リサーチクエスチョン

• RQ1 最先端の転移学習モデルは、顕微鏡的画像における口腔扁平上皮癌と正常上皮組織の分類において、どの程度の性能を示すか？
• RQ2 本研究の少数データ医療画像環境下において、データ拡張と微調整がモデル性能に与える相対的寄与度は何か？
• RQ3 オーバーサンプリング、アンダーサンプリング、損失重み付けのうち、どれが最もバランスの取れた正確な分類性能をもたらすか？
• RQ4 別臨床施設のデータを用いたテストにおいて、モデルの汎化性はどの程度か？
• RQ5 どのモデルアーキテクチャが、複数の評価指標において最も高い精度と頑健性を示すか？

主な発見

• データ拡張と微調整を併用したInception V3は、91.13%の最高テスト精度、88%のF1スコア、87%のAUC-ROCを達成し、他のすべてのモデルを上回った。
• 微調整のみを適用した転移学習は、単純なCNNベースラインと比較して10–15%の精度向上を達成し、特にResNetおよびInception V3が顕著な向上を示した。
• データ拡張は測定可能な性能向上をもたらし、特に微調整と組み合わせた場合に顕著だった。Inception V3の精度は89.52%から91.13%に向上した。
• 損失重み付けは、オーバーサンプリングおよびアンダーサンプリングを上回り、大型CNNではAUC-ROCが0.66（オーバーサンプリングは0.56）に達し、より良いクラスバランスを示した。
• マルチサイトテストでは、すべての転移学習モデルが競争力ある性能を示し、Inception V3は83.66%の精度を達成した。これは、異なるデータソース間でのモデルの汎化性を確認するものであった。
• 混同行列分析から、大型CNNとInception V3は同程度の真正陽性率を示したが、大型CNNは真正陰性率で顕著に劣り、特異性が低く、クラス不均衡バイアスが顕著に見られた。