[论文解读] Computer-aided Detection of Squamous Carcinoma of the Cervix in Whole Slide Images

Ye Tian, Yang Li+8 more|arXiv (Cornell University)|May 27, 2019

AI in cancer detection参考文献 37被引用 11

一句话总结

本研究提出了一种深度学习框架，用于在宫颈组织全切片图像（WSIs）中实现鳞状细胞癌（SCC）的计算机辅助检测，采用Inception-v3、InceptionResNet-v2和ResNet50架构，并通过基于随机森林的分类方法进行处理。该方法在全切片图像级别分类中表现优异（AUC > 0.94），但由于组织形态复杂性，肿瘤定位仍面临挑战，FROC评分低于0.52。

ABSTRACT

Goal: Squamous cell carcinoma of cervix is one of the most prevalent cancer worldwide in females. Traditionally, the most indispensable diagnosis of cervix squamous carcinoma is histopathological assessment which is achieved under microscope by pathologist. However, human evaluation of pathology slide is highly depending on the experience of pathologist, thus big inter- and intra-observer variability exists. Digital pathology, in combination with deep learning provides an opportunity to improve the objectivity and efficiency of histopathologic slide analysis. Methods: In this study, we obtained 800 haematoxylin and eosin stained slides from 300 patients suffered from cervix squamous carcinoma. Based on information from morphological heterogeneity in the tumor and its adjacent area, we established deep learning models using popular convolution neural network architectures (inception-v3, InceptionResnet-v2 and Resnet50). Then random forest was introduced to feature extractions and slide-based classification. Results: The overall performance of our proposed models on slide-based tumor discrimination were outstanding with an AUC scores > 0.94. While, location identifications of lesions in whole slide images were mediocre (FROC scores > 0.52) duo to the extreme complexity of tumor tissues. Conclusion: For the first time, our analysis workflow highlighted a quantitative visual-based slide analysis of cervix squamous carcinoma. Significance: This study demonstrates a pathway to assist pathologist and accelerate the diagnosis of patients by utilizing new computational approaches.

研究动机与目标

• 减少因主观组织病理学评估导致的宫颈鳞状细胞癌诊断中观察者间和观察者内差异性。
• 开发一种客观、可重复且高效的计算方法，用于分析宫颈组织的全切片图像（WSIs）。
• 评估深度卷积神经网络（CNNs）在分类和定位WSI中鳞状细胞癌（SCC）方面的性能。
• 探索迁移学习和集成模型在数字病理学中提升诊断准确性的可行性。
• 建立一种基于定量、可视化分析的宫颈SCC检测深度学习流程。

提出的方法

• 本研究使用了来自300名宫颈SCC患者共800张H&E染色的全切片图像，肿瘤区域经人工标注。
• 对多种最先进的CNN架构——Inception-v3、InceptionResNet-v2和ResNet50——基于从WSIs中提取的图像块特征进行微调。
• 采用随机森林进行全切片图像级别分类，利用CNN提取的聚合特征，实现跨模型的集成学习。
• 应用基于图像块的推理策略，即将每张WSI划分为256×256像素的图像块作为模型输入和预测。
• 生成热图以可视化全WSI中肿瘤概率分布，并使用FROC（自由响应受试者工作特征）指标评估定位准确性。
• 应用后处理技术以优化预测结果，提高不同切片批次间的一致性。

实验结果

研究问题

• RQ1 深度学习模型能否准确分类全切片图像是否含有宫颈鳞状细胞癌？
• RQ2 这些模型在复杂、异质性的宫颈WSI组织中，对肿瘤区域的定位能力如何？
• RQ3 不同预训练CNN架构（如Inception-v3、ResNet50）在检测宫颈SCC方面的性能表现有何差异？
• RQ4 与单一模型相比，集成学习在提升全切片图像分类准确率方面有多大改善？
• RQ5 宫颈SCC WSI中肿瘤定位的主要挑战是什么，这些挑战与其他癌种有何不同？

主要发现

• 所提出的深度学习模型在全切片图像级别分类中表现优异，AUC得分超过0.94。
• 对三个独立模型（A–C）进行集成建模后，分类AUC进一步提升至0.97以上。
• 肿瘤定位性能中等，FROC得分低于0.52，表明精确检测病灶存在困难。
• 高度复杂的形态特征以及肿瘤区域的分散分布（某些切片中超过300个病灶）显著增加了定位难度。
• 该框架在不同切片批次间表现出一致的输出结果，表明其具备鲁棒性和可重复性。
• 本研究首次成功将深度学习应用于基于全切片图像的宫颈鳞状细胞癌检测。