[论文解读] Development and Evaluation of a Deep Neural Network for Histologic Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection Slides

Mengdan Zhu, Bing Ren+4 more|arXiv (Cornell University)|Oct 30, 2020

AI in cancer detection参考文献 35被引用 6

一句话总结

本研究开发了一种深度神经网络，用于对数字化的肾活检和手术切除切片进行肾细胞癌（RCC）的自动组织学分类，在内部和外部数据集上均实现了0.98–0.99的AUC。该模型通过可视化具有区分性的区域增强了可解释性，支持病理科医生进行预筛查、区域高亮和第二意见诊断。

ABSTRACT

Renal cell carcinoma (RCC) is the most common renal cancer in adults. The histopathologic classification of RCC is essential for diagnosis, prognosis, and management of patients. Reorganization and classification of complex histologic patterns of RCC on biopsy and surgical resection slides under a microscope remains a heavily specialized, error-prone, and time-consuming task for pathologists. In this study, we developed a deep neural network model that can accurately classify digitized surgical resection slides and biopsy slides into five related classes: clear cell RCC, papillary RCC, chromophobe RCC, renal oncocytoma, and normal. In addition to the whole-slide classification pipeline, we visualized the identified indicative regions and features on slides for classification by reprocessing patch-level classification results to ensure the explainability of our diagnostic model. We evaluated our model on independent test sets of 78 surgical resection whole slides and 79 biopsy slides from our tertiary medical institution, and 69 randomly selected surgical resection slides from The Cancer Genome Atlas (TCGA) database. The average area under the curve (AUC) of our classifier on the internal resection slides, internal biopsy slides, and external TCGA slides is 0.98, 0.98 and 0.99, respectively. Our results suggest that the high generalizability of our approach across different data sources and specimen types. More importantly, our model has the potential to assist pathologists by (1) automatically pre-screening slides to reduce false-negative cases, (2) highlighting regions of importance on digitized slides to accelerate diagnosis, and (3) providing objective and accurate diagnosis as the second opinion.

研究动机与目标

• 开发一种深度神经网络，以准确地从数字化全切片图像中分类肾细胞癌亚型。
• 通过识别并可视化切片上与组织学相关的区域，确保模型的可解释性。
• 在包括本机构内部切片和癌症 genome 图谱（TCGA）在内的多种数据源上评估模型的性能。
• 评估模型在减少诊断错误和加速工作流程方面辅助病理科医生的潜力。
• 为活检和切除标本中的RCC诊断提供客观、自动化的第二意见。

提出的方法

• 使用来自活检和手术切除标本的全切片图像，训练了一个深度卷积神经网络（CNN），以分类五种RCC亚型：透明细胞癌、乳头状癌、嫌色细胞癌、肾细胞肿瘤和正常组织。
• 该模型采用基于图像块的分类策略，即提取小块图像进行分类，随后聚合结果以生成全切片预测。
• 通过重新处理基于图像块的预测结果，生成突出影响分类决策区域的热力图，实现可解释性。
• 模型使用三级医疗中心的数据进行训练和验证，并在本机构独立的78张切除切片和79张活检切片上进行测试。
• 在癌症基因组图谱（TCGA）数据库的69张手术切除切片上进行了外部验证，以评估泛化能力。
• 使用受试者工作特征曲线下面积（AUC）评估模型性能，结合分层交叉验证和独立测试集。

实验结果

研究问题

• RQ1 深度神经网络能否在数字化的肾活检和切除切片上实现对五种主要肾细胞癌亚型的高精度分类？
• RQ2 该模型在不同数据源（如机构数据和TCGA数据）之间的泛化能力如何？
• RQ3 该模型的预测在多大程度上可以通过全切片上可视化的关键区域进行解释？
• RQ4 该模型能否作为可靠的第二意见，辅助病理科医生减少诊断错误？
• RQ5 该模型是否通过在全切片图像中高亮具有诊断意义的区域，提高了诊断效率？

主要发现

• 在内部手术切除切片上，模型平均AUC达到0.98，表明其具有出色的判别性能。
• 在内部活检切片上，模型AUC为0.98，即使在更小、代表性较弱的组织样本上也表现出强劲性能。
• 在外部验证中，使用69张TCGA手术切除切片，模型AUC达到0.99，证实其在不同数据集间具有高度泛化能力。
• 该模型成功识别并可视化了切片上的诊断相关区域，增强了可解释性并提升了临床信任度。
• 该模型在多种标本类型和数据源上的表现表明其具有鲁棒性，并具备临床部署潜力。
• 结果支持将该模型用作预筛查工具以减少假阴性，并作为RCC诊断中客观的第二意见。