[论文解读] A Robust and Effective Approach Towards Accurate Metastasis Detection and pN-stage Classification in Breast Cancer

Byungjae Lee, Kyunghyun Paeng|arXiv (Cornell University)|May 30, 2018

AI in cancer detection参考文献 8被引用 8

一句话总结

本文提出了一种稳健的深度学习框架，用于在全切片图像（WSI）中实现乳腺癌转移灶的精准检测与pN分期分类。通过结合基于CNN的局部切片级转移灶检测与基于随机森林的切片级淋巴结分类，该方法在Camelyon17数据集上取得了0.9203的二次加权 Cohen's kappa 分数，达到当前最先进水平，在准确率和假阴性率降低方面均优于先前方法。

ABSTRACT

Predicting TNM stage is the major determinant of breast cancer prognosis and treatment. The essential part of TNM stage classification is whether the cancer has metastasized to the regional lymph nodes (N-stage). Pathologic N-stage (pN-stage) is commonly performed by pathologists detecting metastasis in histological slides. However, this diagnostic procedure is prone to misinterpretation and would normally require extensive time by pathologists because of the sheer volume of data that needs a thorough review. Automated detection of lymph node metastasis and pN-stage prediction has a great potential to reduce their workload and help the pathologist. Recent advances in convolutional neural networks (CNN) have shown significant improvements in histological slide analysis, but accuracy is not optimized because of the difficulty in the handling of gigapixel images. In this paper, we propose a robust method for metastasis detection and pN-stage classification in breast cancer from multiple gigapixel pathology images in an effective way. pN-stage is predicted by combining patch-level CNN based metastasis detector and slide-level lymph node classifier. The proposed framework achieves a state-of-the-art quadratic weighted kappa score of 0.9203 on the Camelyon17 dataset, outperforming the previous winning method of the Camelyon17 challenge.

研究动机与目标

• 为解决病理科医生在乳腺癌淋巴结转移pN分期评估中面临的工作量大和主观性强的问题。
• 提升在吉比特级全切片图像（WSI）中自动化转移灶检测的准确率与鲁棒性。
• 开发一种可靠的pN分期分类系统，整合局部切片级检测与切片级分类，用于临床决策支持。
• 降低假阴性预测，这对及时治疗具有临床关键意义。

提出的方法

• 该框架采用两阶段流程：首先，利用灰度值阈值法从WSI中提取感兴趣区域（ROIs）。
• 使用基于ResNet101的CNN在切片级别检测肿瘤转移，从ROIs中以128像素步长提取256×256大小的切片。
• 为应对数据不平衡问题，采用平衡切片采样策略，确保训练过程中肿瘤与非肿瘤切片的表示均衡。
• 应用广泛的图像增强技术，包括随机旋转、翻转以及染色颜色增强（色调、饱和度、亮度、对比度），以提升泛化能力。
• 从转移概率热图中提取切片级特征，包括前景总面积、平均置信度以及前景/背景比值。
• 使用11个手工设计的特征，通过随机森林分类器预测淋巴结类别（阴性、ITC、微转移、大转移），患者级别的pN分期通过聚合规则确定。

实验结果

研究问题

• RQ1 深度学习框架是否能在全切片图像中实现乳腺癌pN分期分类的最先进性能？
• RQ2 如何有效结合局部切片级转移灶检测与切片级分类，以提升pN分期预测的准确性？
• RQ3 在组织病理学WSI中，哪些数据增强与采样策略最有效，可缓解类别不平衡与领域偏移问题？
• RQ4 与现有方法相比，该框架是否能降低假阴性预测，特别是对临床关键的ITC和微转移？

主要发现

• 在Camelyon17测试集上，该方法在患者级别取得了0.9203的二次加权kappa分数，创下新的最先进基准。
• 在Camelyon16测试集上，转移灶检测模块的AUC达到0.9853，FROC为0.8552，表现出色，且无需额外优化技巧。
• 与先前优胜方法（HMS-MGH-CCDS）相比，该框架显著降低了假阴性预测，尤其在ITC和微转移中表现更优。
• 在Camelyon17上的混淆矩阵显示，模型对大转移灶的准确率为91.06%，对微转移灶的准确率为85.54%，假阴性率低于亚军方法。
• 集成三个CNN模型后，在五折交叉验证中，患者级别kappa分数提升至0.9455，证实了模型集成的有效性。
• 该方法在Camelyon17排行榜上超越所有其他参赛队伍，包括此前优胜团队（HMS-MGH-CCDS）的kappa分数0.8958。