[论文解读] Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis of Gastric Intestinal Metaplasia

Jon Braatz, Pranav Rajpurkar+3 more|arXiv (Cornell University)|Jan 5, 2022

Gastric Cancer Management and Outcomes被引用 5

一句话总结

本文提出一种基于随机图像块采样和卷积神经网络（CNN）的稀疏全切片图像（WSI）分析方法，可快速检测H&E染色活检切片中的胃肠化生（GIM）。该方法仅处理切片的一小部分区域，即可在标准CPU上实现不到一分钟的推理时间，AUC达0.98，平均精度达0.95，无需依赖GPU，具备快速、可部署的临床推理能力。

ABSTRACT

In recent years, deep learning has successfully been applied to automate a wide variety of tasks in diagnostic histopathology. However, fast and reliable localization of small-scale regions-of-interest (ROI) has remained a key challenge, as discriminative morphologic features often occupy only a small fraction of a gigapixel-scale whole-slide image (WSI). In this paper, we propose a sparse WSI analysis method for the rapid identification of high-power ROI for WSI-level classification. We develop an evaluation framework inspired by the early classification literature, in order to quantify the tradeoff between diagnostic performance and inference time for sparse analytic approaches. We test our method on a common but time-consuming task in pathology - that of diagnosing gastric intestinal metaplasia (GIM) on hematoxylin and eosin (H&E)-stained slides from endoscopic biopsy specimens. GIM is a well-known precursor lesion along the pathway to development of gastric cancer. We performed a thorough evaluation of the performance and inference time of our approach on a test set of GIM-positive and GIM-negative WSI, finding that our method successfully detects GIM in all positive WSI, with a WSI-level classification area under the receiver operating characteristic curve (AUC) of 0.98 and an average precision (AP) of 0.95. Furthermore, we show that our method can attain these metrics in under one minute on a standard CPU. Our results are applicable toward the goal of developing neural networks that can easily be deployed in clinical settings to support pathologists in quickly localizing and diagnosing small-scale morphologic features in WSI.

研究动机与目标

• 为解决在千兆像素级WSI中快速且准确地定位小尺度形态学特征（如杯状细胞）的挑战，这些特征对胃肠化生（GIM）的诊断至关重要。
• 开发一种稀疏推理策略，在显著降低推理时间的同时保持高诊断性能，相比密集WSI分析具有明显优势。
• 实现在无GPU依赖的消费级硬件上部署，使该方法在病理科医生工作站中具备实际临床应用价值。
• 构建一个评估框架，量化在早期分类设置下诊断性能与推理时间之间的权衡。

提出的方法

• 该方法从WSI中顺序、随机采样固定尺寸的图像块，利用预训练的CNN对每个图像块进行分类，以检测杯状细胞作为GIM的证据。
• 图像块级别的分类得分被实时聚合，随着新图像块的处理，切片级别的诊断结果持续更新。
• 该方法采用稀疏采样策略，仅处理总WSI面积的一小部分，显著降低计算负载。
• 推理在三种后端（CPU、WebAssembly (wasm) 和 WebGL）上进行评估，运行于网页浏览器中，以模拟真实临床部署环境。
• 评估框架源自早期时间序列分类文献，用于量化不同图像块尺寸和放大倍数下性能与推理时间的权衡。
• 模型仅使用30张GIM阳性全切片图像进行训练，且仅需极少的像素级标注。

实验结果

研究问题

• RQ1 基于稀疏、基于图像块的深度学习方法是否能在消费级硬件上实现子分钟级推理时间的同时，保持对GIM检测的高诊断性能？
• RQ2 不同图像块采样策略、图像块尺寸和放大倍数下，诊断性能与推理时间之间的权衡如何变化？
• RQ3 在仅标注30张阳性WSI的有限数据下，模型在多大程度上能实现可靠的GIM切片级分类？
• RQ4 该方法是否能在无需GPU加速或数据上传至远程服务器的网页浏览器环境中有效部署？
• RQ5 在速度和准确性方面，该模型在不同推理后端（CPU、wasm、WebGL）上的表现如何比较？

主要发现

• 在20张GIM阳性与86张GIM阴性WSI的测试集中，该方法实现了0.98的WSI级受试者工作特征曲线下面积（AUC）和0.95的平均精度（AP）。
• 所有GIM阳性病例均被正确检测，证据定位失败率为零。
• 使用WebAssembly后端时，20倍放大倍数下的推理时间低于8秒，而CPU后端低于45秒，满足临床时间要求。
• 模型仅需处理平均切片面积的40%以下即可达到高性能，显著降低计算成本。
• 即使在2015款MacBook Pro的CPU上，使用'wasm'后端也能在不到一分钟内完成分类，证明其在标准工作站上的可行性。
• 评估框架成功量化了性能与推理时间的权衡，为稀疏WSI分析的设计选择提供了有力支持。