[论文解读] Deep-learning-based identification of odontogenic keratocysts in hematoxylin- and eosin-stained jaw cyst specimens

Kei Sakamoto, Keiichi Morita+2 more|arXiv (Cornell University)|Jan 12, 2019

Oral and Maxillofacial Pathology参考文献 20被引用 4

一句话总结

本研究开发了一种深度学习系统，通过在苏木精-伊红染色的显微镜图像上微调VGG16模型，自动识别牙源性角化囊肿，其关键在于检测诊断性基底细胞栅栏状排列模式。该模型在测试集上实现了0.997的AUC，尽管在处理细微组织学变异方面存在挑战，仍表现出极高的自动诊断准确性。

ABSTRACT

The aim of this study was to develop a digital histopathology system for identifying odontogenic keratocysts in hematoxylin- and eosin-stained tissue specimens of jaw cysts. Approximately 5000 microscopy images with 400$ imes$ magnification were obtained from 199 odontogenic keratocysts, 208 dentigerous cysts, and 55 radicular cysts. A proportion of these images were used to make training patches, which were annotated as belonging to one of the following three classes: keratocysts, non-keratocysts, and stroma. The patches for the cysts contained the complete lining epithelium, with the cyst cavity being present on the upper side. The convolutional neural network (CNN) VGG16 was finetuned to this dataset. The trained CNN could recognize the basal cell palisading pattern, which is the definitive criterion for diagnosing keratocysts. Some of the remaining images were scanned and analyzed by the trained CNN, whose output was then used to train another CNN for binary classification (keratocyst or not). The area under the receiver operating characteristics curve for the entire algorithm was 0.997 for the test dataset. Thus, the proposed patch classification strategy is usable for automated keratocyst diagnosis. However, further optimization must be performed to make it suitable for practical use.

研究动机与目标

• 开发一种用于在常规苏木精-伊红染色组织切片中自动识别牙源性角化囊肿的数字病理学系统。
• 应对角化囊肿识别中存在的主观性和变异性问题，尤其是对经验较少的病理学家而言。
• 评估深度学习是否能够自主学习并检测出对角化囊肿诊断至关重要的关键组织学特征——基底细胞栅栏状排列。
• 探索在训练数据有限的情况下，基于图像块的卷积神经网络（CNN）在分类罕见口腔囊肿方面的可行性。
• 通过分析特征图激活情况，评估模型的决策过程是否与病理学推理一致。

提出的方法

• 从199例牙源性角化囊肿、208例牙源性囊肿和55例根尖周囊肿中收集了5,000张400×放大倍数的显微镜图像。
• 提取并标注了训练图像块，分为三类：角化囊肿、非角化囊肿和间质组织，完整保留了上皮衬里和囊腔结构。
• 在这些标注图像块上对VGG16卷积神经网络进行微调，以学习具有区分性的特征，特别是栅栏状排列模式。
• 训练第二个CNN模型，基于全切片图像输出进行二分类（角化囊肿 vs. 非角化囊肿）。
• 通过在保留的测试集上计算受试者工作特征曲线下面积（AUC）来评估模型性能。
• 通过分析中间卷积层的激活模式来评估可解释性，以识别网络优先关注的特征。

实验结果

研究问题

• RQ1 深度学习模型能否在常规苏木精-伊红染色的组织病理学切片中准确识别牙源性角化囊肿？
• RQ2 该模型是否能够学习到病理学家用于角化囊肿诊断的关键组织学特征——基底细胞栅栏状排列？
• RQ3 模型内部的特征学习在多大程度上与专家诊断推理一致？
• RQ4 在训练数据有限的情况下，基于图像块的CNN能否实现对罕见口腔囊肿的高诊断准确率？
• RQ5 是否存在人类病理学家忽略的组织学特征，而该模型通过端到端学习发现了这些特征？

主要发现

• 该深度学习模型在测试数据集上实现了曲线下面积（AUC）为0.997，表明诊断性能接近完美。
• 通过中间层激活分析，模型成功学习到检测基底细胞栅栏状排列模式，这是牙源性角化囊肿的决定性组织学标准。
• 最后一层卷积层的滤波器对基底层中排列整齐的椭圆形细胞核产生强烈响应，证实了模型聚焦于关键诊断特征。
• 模型发现了一项此前被忽视的组织学特征：棘层滤波器中信号增强，可能反映了由于角化作用导致的高蛋白合成活性，该特征在标准教科书中未被强调。
• 尽管整体准确率很高，但该模型在区分栅栏状排列较差的角化囊肿或具有假性栅栏状排列的非角化囊肿时表现不佳，表明其在处理模糊病例方面存在局限性。
• 激活模式表明，模型的推理过程具有生物学合理性，因其优先关注与病理学家所用特征类似的结构，但可能遗漏专家使用的细微结构线索。