[论文解读] Bridging the gap between prostate radiology and pathology through machine learning

Indrani Bhattacharya, David Lim+12 more|arXiv (Cornell University)|Dec 3, 2021

Prostate Cancer Diagnosis and Treatment参考文献 51被引用 17

一句话总结

本研究提出使用深度学习生成的数字病理学家标注——基于全装片组织病理学图像生成——作为机器学习模型检测和定位MRI上前列腺癌的更优训练标签。这些标注在多种模型架构和患者队列中，均能实现更精确、更一致且更具泛化能力的检测，适用于侵袭性和惰性癌变成分的识别，优于放射科医生和病理学家标注的标签。

ABSTRACT

Prostate cancer is the second deadliest cancer for American men. While Magnetic Resonance Imaging (MRI) is increasingly used to guide targeted biopsies for prostate cancer diagnosis, its utility remains limited due to high rates of false positives and false negatives as well as low inter-reader agreements. Machine learning methods to detect and localize cancer on prostate MRI can help standardize radiologist interpretations. However, existing machine learning methods vary not only in model architecture, but also in the ground truth labeling strategies used for model training. In this study, we compare different labeling strategies, namely, pathology-confirmed radiologist labels, pathologist labels on whole-mount histopathology images, and lesion-level and pixel-level digital pathologist labels (previously validated deep learning algorithm on histopathology images to predict pixel-level Gleason patterns) on whole-mount histopathology images. We analyse the effects these labels have on the performance of the trained machine learning models. Our experiments show that (1) radiologist labels and models trained with them can miss cancers, or underestimate cancer extent, (2) digital pathologist labels and models trained with them have high concordance with pathologist labels, and (3) models trained with digital pathologist labels achieve the best performance in prostate cancer detection in two different cohorts with different disease distributions, irrespective of the model architecture used. Digital pathologist labels can reduce challenges associated with human annotations, including labor, time, inter- and intra-reader variability, and can help bridge the gap between prostate radiology and pathology by enabling the training of reliable machine learning models to detect and localize prostate cancer on MRI.

研究动机与目标

• 解决前列腺影像学与病理学在癌症检测中因人类标注不一致且易出错而产生的长期差距。
• 克服放射科医生标注的局限性，包括高假阳性和假阴性率以及阅片者间差异。
• 评估不同标注策略（放射科医生、病理学家和数字病理学家标注）对机器学习模型在前列腺MRI解读中性能的影响。
• 证明基于深度学习在组织病理学上生成的数字病理学家标注，可在多种数据集和模型架构中实现更优且具备泛化能力的模型性能。
• 实现对混合病灶中侵袭性与惰性癌变成分的选择性识别，这是人类标注无法实现的能力。

提出的方法

• 在术前前列腺MRI上，使用四种不同的标签类型——放射科医生确认的标签、病理学家标签和数字病理学家标签——训练了四种深度学习模型：SPCNet、U-Net、分支U-Net和DeepLabv3+。
• 通过自动化的MRI-组织病理学配准平台，将所有基于病理学的标签（病理学家和数字病理学家标签）映射到术前MRI上。
• 利用先前验证过的深度学习算法，在全装片组织病理学切片上生成像素级Gleason模式标签，作为数字病理学家标签。
• 在两个独立队列中评估模型性能：40例根治性前列腺切除术患者（具有全装片组织病理学）和275例靶向穿刺患者。
• 通过病变水平和像素水平指标（包括ROC-AUC、Dice系数和病变体积重叠率）测量性能。
• 比较不同标签类型和模型架构下模型的泛化能力和准确性，以分离标注策略的影响。

实验结果

研究问题

• RQ1 不同的标注策略——放射科医生确认的标签、病理学家标签和数字病理学家标签——如何影响深度学习模型在MRI上检测前列腺癌的性能？
• RQ2 由组织病理学上自动预测Gleason模式生成的数字病理学家标注，能否作为人类标注的可靠且可扩展的替代方案？
• RQ3 与人类标注相比，使用数字病理学家标注是否能提升对混合病灶中侵袭性和惰性癌变成分的检测能力？
• RQ4 当使用不同标签类型训练时，不同深度学习架构的模型性能如何变化？
• RQ5 数字病理学家标注在多大程度上减少了阅片者间和阅片者内差异，并提升了在多样化临床队列中的泛化能力？

主要发现

• 数字病理学家标注与病理学家标注表现出近乎完美的吻合度（病变ROC-AUC：0.97–1.00，Dice系数：0.75–0.93），显著优于放射科医生标注。
• 使用数字病理学家标注训练的机器学习模型在根治性前列腺切除术队列中实现了最高的病变检测性能（侵袭性病变ROC-AUC：0.91–0.94）。
• 在靶向穿刺队列中，使用数字病理学家标注训练的模型在性能上与病理学家标注训练的模型相当或更优（侵袭性病变ROC-AUC：0.87–0.88）。
• 唯有使用数字病理学家标注训练的模型，能够实现对混合病灶内侵袭性和惰性癌变成分的像素级区分，这是任何人类标注类型均无法实现的能力。
• 数字病理学家标注的优势在所有四种深度学习架构（SPCNet、U-Net、分支U-Net、DeepLabv3+）中均保持一致，表明该优势与模型架构无关。
• 放射科医生标注漏检了高达25%的病理学确认的病变，且Dice重叠率较低（0.24–0.28），凸显其在训练可靠模型方面的局限性。