[论文解读] ConvPath: A Software Tool for Lung Adenocarcinoma Digital Pathological Image Analysis Aided by Convolutional Neural Network

Shidan Wang, Tao Wang+12 more|arXiv (Cornell University)|Sep 20, 2018

AI in cancer detection参考文献 23被引用 11

一句话总结

ConvPath 是一款基于深度学习的软件工具，通过基于卷积神经网络（CNN）的流程，自动分析肺腺癌组织病理学切片。它能够对细胞核进行分割，对肿瘤细胞、间质细胞和淋巴细胞的分类准确率达到90.1%（在独立测试数据上），并生成空间图以提取肿瘤微环境特征，用于预后建模，该模型在调整临床变量后可独立预测生存率。

ABSTRACT

The spatial distributions of different types of cells could reveal a cancer cell growth pattern, its relationships with the tumor microenvironment and the immune response of the body, all of which represent key hallmarks of cancer. However, manually recognizing and localizing all the cells in pathology slides are almost impossible. In this study, we developed an automated cell type classification pipeline, ConvPath, which includes nuclei segmentation, convolutional neural network-based tumor, stromal and lymphocytes classification, and extraction of tumor microenvironment related features for lung cancer pathology images. The overall classification accuracy is 92.9% and 90.1% in training and independent testing datasets, respectively. By identifying cells and classifying cell types, this pipeline can convert a pathology image into a spatial map of tumor, stromal and lymphocyte cells. From this spatial map, we can extracted features that characterize the tumor micro-environment. Based on these features, we developed an image feature-based prognostic model and validated the model in two independent cohorts. The predicted risk group serves as an independent prognostic factor, after adjusting for clinical variables that include age, gender, smoking status, and stage.

研究动机与目标

• 解决在肺腺癌病理切片中手动、耗时的细胞类型识别挑战。
• 开发一种用于数字全切片图像中细胞核分割与细胞类型分类的自动化流程。
• 从肿瘤微环境组分（肿瘤、间质、淋巴细胞）的细胞分布中提取空间特征，用于后续预后建模。
• 验证基于CNN的图像特征模型作为肺腺癌独立预后因素的有效性。
• 为数字病理学的临床与研究应用提供可重复、开源的软件工具。

提出的方法

• 流程从使用基于深度学习的实例分割方法进行细胞核分割开始。
• 训练卷积神经网络（CNN）以将分割后的细胞核分类为三种类型：肿瘤细胞、间质细胞和淋巴细胞。
• 从分类结果生成细胞分布的空间图，以表征肿瘤微环境的结构。
• 从空间图中提取图像级特征，包括细胞密度、空间模式和邻近度度量。
• 利用这些图像衍生特征构建预后模型，并在两个独立的患者队列中进行验证。
• 使用Cox比例风险回归模型评估预后性能，同时调整年龄、性别、吸烟状态和肿瘤分期等变量。

实验结果

研究问题

• RQ1 基于深度学习的流程能否在肺腺癌全切片图像中准确分类肿瘤细胞、间质细胞和淋巴细胞？
• RQ2 从细胞分布图中提取的空间特征能否在不依赖临床变量的情况下独立预测患者生存？
• RQ3 基于CNN的图像特征模型在预后预测中是否优于或补充传统的临床分期？
• RQ4 自动化流程能否生成可重复且具有生物学可解释性的肿瘤微环境空间模式？
• RQ5 在独立患者队列中验证时，该预后模型是否具有鲁棒性？

主要发现

• CNN模型在训练数据集上的总体分类准确率达到92.9%，在独立测试数据集上达到90.1%。
• 基于图像特征的预后模型在调整年龄、性别、吸烟状态和肿瘤分期后，仍可作为生存的独立预测因子。
• 该模型成功将患者分为高危组与低危组，两组的生存结局存在显著差异。
• 通过ConvPath流程，有效捕捉并量化了肿瘤细胞、间质细胞和淋巴细胞的空间分布。
• 该工具在两个独立患者队列中均表现出鲁棒性和可重复性，验证了其临床潜力。
• 深度学习与数字病理学的结合，实现了肿瘤微环境特征的高通量、客观且可扩展的分析。