[论文解读] Deep Learning for Identifying Metastatic Breast Cancer

D. Wang, Aditya Khosla+3 more|arXiv (Cornell University)|Jun 18, 2016

AI in cancer detection参考文献 18被引用 802

一句话总结

本论文提出一个深度学习系统，可在滚动淋巴结全切片图中检测转移性乳腺癌，在基于切片的和病变级别任务中达到顶级AUC，并在结合人工复核时显著降低病理学家的错误率。

ABSTRACT

The International Symposium on Biomedical Imaging (ISBI) held a grand challenge to evaluate computational systems for the automated detection of metastatic breast cancer in whole slide images of sentinel lymph node biopsies. Our team won both competitions in the grand challenge, obtaining an area under the receiver operating curve (AUC) of 0.925 for the task of whole slide image classification and a score of 0.7051 for the tumor localization task. A pathologist independently reviewed the same images, obtaining a whole slide image classification AUC of 0.966 and a tumor localization score of 0.733. Combining our deep learning system's predictions with the human pathologist's diagnoses increased the pathologist's AUC to 0.995, representing an approximately 85 percent reduction in human error rate. These results demonstrate the power of using deep learning to produce significant improvements in the accuracy of pathological diagnoses.

研究动机与目标

• 在癌症管理中需要准确、标准化的病理诊断。
• 开发一个深度学习框架来检测乳腺哨兵淋巴结的全切片中的转移灶。
• 通过自动图像分析减少诊断错误和认知负担。
• 实现基于patch的学习和基于热图的后处理，以支持切片级和病变级别的决策。

提出的方法

• 使用来自WSI的数百万个正负256x256补丁来训练基于patch的CNN，以区分肿瘤补丁与正常补丁。
• 评估多种架构并选择GoogLeNet以提高速度和稳定性，生成肿瘤概率热图。
• 通过在HSV阈值和H/S通道的Otsu阈值法预处理WSI以去除背景。
• 通过几何/形态特征和随机森林分类器来计算切片级肿瘤概率，对热图进行后处理。
• 通过两阶段D-I和D-II模型并增强困难负样本区域，使用热图阈值和连通组件分析来提升病变检测。

实验结果

研究问题

• RQ1 基于patch的深度学习能否在哨兵淋巴结的WSI中准确区分含肿瘤的补丁与正常组织？
• RQ2 基于热图的后处理步骤是否能够实现切片级和病变级别的转移检测？
• RQ3 将深度学习系统与病理学家结合是否能在比单独任一方法更少的诊断错误？

主要发现

• 在基于切片的任务中获得AUC 0.9250，为Camelyon16参赛者中的最高。
• 在病变基础评分为0.7051，为比赛中的最高，比第二名高出22%。
• 将深度学习预测与病理学家的诊断相结合使病理学家的AUC提升至0.9948（原为0.9664）。
• 单独的病理学家AUC为0.9664，在一次比较中没有假阳性，而结合系统将人为错误率降至约0.52%。