[论文解读] Deep Learning Models for Digital Pathology

Aïcha BenTaieb, Ghassan Hamarneh|arXiv (Cornell University)|Oct 27, 2019

AI in cancer detection参考文献 100被引用 10

一句话总结

本综述回顾了深度学习在数字病理学中的应用，重点关注全切片图像（WSI）分析中的挑战，以及在检测、染色标准化、分割和分类方面的解决方案。文中突出介绍了CNN、RNN和GAN等先进模型在癌症诊断、生存预测和图像增强方面实现的高精度，关键研究中的结果如AUC=0.95和C-index=0.75。

ABSTRACT

Histopathology images; microscopy images of stained tissue biopsies contain fundamental prognostic information that forms the foundation of pathological analysis and diagnostic medicine. However, diagnostics from histopathology images generally rely on a visual cognitive assessment of tissue slides which implies an inherent element of interpretation and hence subjectivity. Access to digitized histopathology images enabled the development of computational systems aiming at reducing manual intervention and automating parts of pathologists' workflow. Specifically, applications of deep learning to histopathology image analysis now offer opportunities for better quantitative modeling of disease appearance and hence possibly improved prediction of disease aggressiveness and patient outcome. However digitized histopathology tissue slides are unique in a variety of ways and come with their own set of computational challenges. In this survey, we summarize the different challenges facing computational systems for digital pathology and provide a review of state-of-the-art works that developed deep learning-based solutions for the predictive modeling of histopathology images from a detection, stain normalization, segmentation, and tissue classification perspective. We then discuss the challenges facing the validation and integration of such deep learning-based computational systems in clinical workflow and reflect on future opportunities for histopathology derived image measurements and better predictive modeling.

研究动机与目标

• 识别并系统化整理数字病理学中全切片图像（WSI）特有的计算挑战。
• 综述在组织病理图像分析中用于检测、分割、分类和染色标准化的最先进深度学习模型。
• 评估深度学习系统在临床工作流程中的性能与验证策略。
• 探索将AI衍生的图像测量整合到疾病侵袭性和患者预后预测建模中的机会。
• 解决深度学习模型在病理学中可解释性、领域自适应和临床验证方面的差距。

提出的方法

• 对118项关于数字病理学中深度学习的研究进行系统性综述，按任务分类：检测、分割、分类、染色标准化和生存预测。
• 分析包括CNN（如VGG、ResNet）、RNN（如LSTM）、自编码器（SAE、VAE）和GAN（cGAN、InfoGAN）在内的深度学习架构，用于特征学习与数据增强。
• 评估损失函数，如交叉熵（CE）、均方误差（MSE）和Cox回归用于生存建模，结合正则化（L2）和高级目标函数（如F1、DICE、AUC）。
• 应用颜色去卷积（CD）、染色标准化（SN）和数据增强（旋转、翻转、颜色抖动）等技术，以提升模型在染色差异下的鲁棒性。
• 采用弱监督学习和多实例学习（MIL）框架，以减少对像素级标注的依赖。
• 引入结构编码和多模态数据（如H&E + 组学数据）以提升生存建模中的预测性能。

实验结果

研究问题

• RQ1 在数字病理学的深度学习中，分析全切片图像（WSI）面临哪些关键计算挑战？
• RQ2 不同深度学习架构（如CNN、RNN、GAN、自编码器）在癌症检测、分割和生存预测等组织病理学任务中的表现如何？
• RQ3 染色标准化和数据增强在提升模型在不同染色方案和数据集间泛化能力方面能达到何种程度？
• RQ4 当前用于数字病理学深度学习的验证策略和性能指标是什么？它们如何支持临床整合？
• RQ5 如何改进可解释性和领域自适应，以实现深度学习模型在临床工作流程中的可靠部署？

主要发现

• 深度学习模型在癌症分类中表现优异，基于ResNet的模型在肺腺癌分级中达到81%的准确率（n=64）。
• 基于CNN与Cox回归的生存预测模型在脑癌（TCGA）中实现C-index=0.75，表明其具有较强的预后价值。
• 采用SSAE的染色标准化在全切片图像层面实现0.76的DICE分数，显著提升了不同染色变异下的图像一致性。
• 生成对抗网络（cGAN）在胰腺组织中实现高保真度的数字染色，结构相似性（SSIM）=0.9，峰值信噪比（PSNR）=31.5，支持数据合成。
• 采用MIL的弱监督模型在乳腺癌分割中实现F1=0.83（Camelyon16数据集），显著降低了对像素级标注的依赖。
• 可解释性技术如特征可视化揭示了有意义的组织学模式，注意力图与病理科医生标注区域的交并比（IOU）达0.55。