[논문 리뷰] Weakly Supervised Prostate TMA Classification via Graph Convolutional Networks

Jingwen Wang, Richard J. Chen외 3명|arXiv (Cornell University)|2019. 10. 29.

AI in cancer detection참고 문헌 25인용 수 6

한 줄 요약

이 논문은 대상부위 수준의 레이블만을 사용하여 전립선 조직 미세진단 배열(TMA) 분류를 위한 약한 감독형 그래프 컬러리션 네트워크(GCN) 프레임워크를 제안한다. 대조 예측 코딩(CPC)을 활용해 세포 형태 측정 특징을 학습하고, 세포핵 기반의 그래프를 통해 공간적 구성 구조를 모델링한다. 5개의 교차 검증에서 AUC가 0.9659를 기록하여, GLCM 및 VGG19 특징을 사용하는 GCN보다 각각 39.80%와 29.27% 높은 성능을 보였다.

ABSTRACT

Histology-based grade classification is clinically important for many cancer types in stratifying patients distinct treatment groups. In prostate cancer, the Gleason score is a grading system used to measure the aggressiveness of prostate cancer from the spatial organization of cells and the distribution of glands. However, the subjective interpretation of Gleason score often suffers from large interobserver and intraobserver variability. Previous work in deep learning-based objective Gleason grading requires manual pixel-level annotation. In this work, we propose a weakly-supervised approach for grade classification in tissue micro-arrays (TMA) using graph convolutional networks (GCNs), in which we model the spatial organization of cells as a graph to better capture the proliferation and community structure of tumor cells. As node-level features in our graph representation, we learn the morphometry of each cell using a contrastive predictive coding (CPC)-based self-supervised approach. We demonstrate that on a five-fold cross validation our method can achieve $0.9659\pm0.0096$ AUC using only TMA-level labels. Our method demonstrates a 39.80\% improvement over standard GCNs with texture features and a 29.27% improvement over GCNs with VGG19 features. Our proposed pipeline can be used to objectively stratify low and high risk cases, reducing inter- and intra-observer variability and pathologist workload.

연구 동기 및 목표

• 전립선 암의 Gleason 점수 평가에서 관찰자 간 및 관찰자 내 변동성을 줄이기 위해 객관적이고 딥 러닝 기반의 분류 방법을 개발한다.
• 비용이 많이 드는 픽셀 수준의 레이블을 피하기 위해 대상부위 수준의 레이블만을 사용하여 환자를 저위험군과 고위험군으로 정확히 분류할 수 있도록 한다.
• 기존의 CNN이 전역적 맥락을 갖지 못하는 것과는 달리, 그래프 컬러리션 네트워크(GCN)를 활용해 종양 세포의 공간적 구조를 더 효과적으로 모델링한다.
• 자기 지도 학습을 통한 형태 측정 특징 학습을 위해 대조 예측 코딩(CPC)을 사용하여 조직병리학적 세포핵의 특징 표현을 향상시킨다.
• GCN에 CPC 기반 특징을 사용할 경우, 수작업 특징(GLCM) 또는 전이 학습(VGG19) 특징을 사용하는 경우보다 Gleason 점수 분류 성능이 뛰어나다는 것을 입증한다.

제안 방법

• H&E 염색 TMA 영상의 세포를 분할하고, 세포핵을 그래프의 노드로 표현하며, 공간적 근접성에 기반해 간선을 형성한다.
• 노드 특징은 대조 예측 코딩(CPC)을 통해 학습되며, 픽셀 수준의 레이블 없이 형태 측정 특성을 캡처하는 자기 지도 학습 방법이다.
• 메시지 전달을 위해 GraphSAGE 컨볼루션을 사용하며, 각 노드는 이웃 노드의 특징을 ReLU와 연결을 통해 집계한다: $ h_v^{(k)} = W ullet [h_v^{(k-1)}, ext{MAX}( ext{ReLU}(W ullet h_u^{(k-1)})) ext{ for } u ext{ in } abla(v))] $.
• 전역 그래프 수준 표현을 집계하기 위해 자기 주의 그래프 풀링을 적용하며, 주의 점수는 $ Z = ext{sigmoid}(\text{SAGEConv}(X, A + A^2)) $로 계산된다.
• 최종 그래프 수준 표현은 TMA를 고위험군(Gleason ≥6)과 저위험군(Gleason <6)으로 이진 분류하는 데 사용된다.
• 모델은 대상부위 수준의 레이블만을 사용하여 엔드 투 엔드로 훈련되며, 영상의 모서리와 중심에서 자르는 1550×1550 크기의 데이터 증강 기법을 적용한다.

실험 결과

연구 질문

• RQ1 픽셀 수준의 레이블 없이 대상부위 수준의 레이블만을 사용하여 GCN 기반 접근 방식이 높은 성능의 Gleason 점수 분류를 달성할 수 있는가?
• RQ2 대조 예측 코딩(CPC)을 통한 자기 지도 학습이 조직병리학 그래프 분류에 있어 전이 학습(VGG19) 또는 수작업 특징(GLCM)보다 뛰어난 세포 수준의 특징을 생성하는가?
• RQ3 기존의 CNN이 전역적 맥락을 갖지 못하는 것과는 달리, 그래프 구조를 통해 세포핵의 공간적 구성 구조를 모델링하면 분류 성능 향상이 가능한가?
• RQ4 기존의 사전 훈련된 특징 또는 텍스처 기반 기법에 의존하는 GCN 기반 접근 방식과 비교해 본 모델의 성능은 어떠한가?
• RQ5 다양한 Gleason 점수(예: 3+3 vs. 3+4)를 가진 환자를 이미지 수준의 레이블만으로 효과적으로 분류할 수 있는가?

주요 결과

• 제안된 방법은 대상부위 수준의 레이블만을 사용하여 5개의 교차 검증에서 AUC 0.9659 ± 0.0096를 기록하며 최신 기술 수준의 성능을 입증했다.
• GLCM 특징만을 사용하는 GCN보다 AUC가 39.80% 향상되었고, VGG19 특징을 사용하는 GCN보다는 29.27% 향상되었다.
• 자기 지도 학습을 통한 CPC 기반 특징은 그래프 기반 분류에서 전이 학습(VGG19) 및 수작업 텍스처 특징(GLCM)보다 뚜렷이 뛰어난 성능을 보였다.
• 모델은 임상적으로 도전적인 3+3 및 3+4 하위 유형을 포함하여 고위험군(Gleason ≥6)과 저위험군(Gleason <6)을 효과적으로 분류했다.
• CPC 기반 특징을 사용하는 GCN는 객관적이고 자동화된 분류를 제공함으로써 병리의사의 작업 부담과 관찰자 간 및 관찰자 내 변동성을 줄였다.
• 이 방법은 전체 슬라이드 이미지에 대해 확장 가능하며, 다중 클래스 분류 및 임상 및 다중 옴믹스 데이터 통합에도 적용 가능하다.