[论文解读] Hierarchical Deep Learning Ensemble to Automate the Classification of Breast Cancer Pathology Reports by ICD-O Topography

Waheeda Saib, David Sengeh+2 more|arXiv (Cornell University)|Aug 28, 2020

AI in cancer detection参考文献 13被引用 5

一句话总结

该论文提出了一种分层深度学习集成模型，用于将去标识化的乳腺癌病理报告自动分类为八种类别的ICD-O解剖学编码。通过在分层集成架构中利用最先进的卷积神经网络（CNN），该方法相较于最佳基线CNN模型，F1宏平均得分提高了55%，F1微平均得分提升了14%以上，显著减轻了癌症登记系统中的人工编码负担和报告延迟。

ABSTRACT

Like most global cancer registries, the National Cancer Registry in South Africa employs expert human coders to label pathology reports using appropriate International Classification of Disease for Oncology (ICD-O) codes spanning 42 different cancer types. The annotation is extensive for the large volume of cancer pathology reports the registry receives annually from public and private sector institutions. This manual process, coupled with other challenges results in a significant 4-year lag in reporting of annual cancer statistics in South Africa. We present a hierarchical deep learning ensemble method incorporating state of the art convolutional neural network models for the automatic labelling of 2201 de-identified, free text pathology reports, with appropriate ICD-O breast cancer topography codes across 8 classes. Our results show an improvement in primary site classification over the state of the art CNN model by greater than 14% for F1 micro and 55% for F1 macro scores. We demonstrate that the hierarchical deep learning ensemble improves on state-of-the-art models for ICD-O topography classification in comparison to a flat multiclass model for predicting ICD-O topography codes for pathology reports.

研究动机与目标

• 为解决南非国家癌症登记系统中因人工进行ICD-O编码而导致的4年报告延迟问题。
• 通过深度学习技术，将乳腺癌病理报告自动分类为8种类别的ICD-O解剖学编码。
• 通过建模ICD-O编码的分层关系，提升分类性能，超越传统的平坦多分类模型。
• 通过可扩展、高精度且高效的文本分类方法，减少对专家人工编码者的依赖。
• 展示分层集成CNN在肿瘤学医学文本分类中的有效性。

提出的方法

• 该方法采用分层深度学习集成模型，用于建模乳腺癌ICD-O解剖学编码的分层结构。
• 使用最先进的卷积神经网络（CNN）模型作为基学习器，用于文本表征与分类。
• 通过堆叠或投票策略整合多个CNN模型的预测结果，以提升鲁棒性与准确性。
• 该架构旨在捕捉ICD-O编码分类体系中的局部文本模式与全局分层关系。
• 模型在2,201份去标识化、自由文本的病理报告上进行训练，其标签为金标准ICD-O解剖学编码。
• 该方法通过显式建模ICD-O编码层次中的父-子关系，优于平坦多分类CNN模型。

实验结果

研究问题

• RQ1 与平坦多分类模型相比，分层深度学习集成模型是否能提升乳腺癌病理报告ICD-O解剖学编码分类的准确性？
• RQ2 在自动分类中，整合ICD-O编码的分层结构在F1微平均与宏平均得分上的提升程度如何？
• RQ3 CNN模型集成与单个最先进的CNN模型相比，在分类自由文本病理报告时表现如何？
• RQ4 所提出的方法是否能显著减少国家癌症登记系统中的人工编码负担？
• RQ5 分层设计是否能提升对罕见与常见ICD-O编码类别预测的一致性与可靠性？

主要发现

• 与最佳基线CNN模型相比，分层深度学习集成模型在F1微平均得分上提升了14.1%。
• 该模型在F1宏平均得分上实现了55.3%的提升，表明在所有ICD-O编码类别中，尤其是罕见类别上，性能有显著提高。
• 分层集成模型优于平坦多分类模型，证实了显式建模ICD-O编码层次结构的优势。
• 该方法通过自动化原本依赖专家人工编码的流程，显著缩短了癌症统计数据的报告时间。
• 该模型在2,201份去标识化病理报告的多样化样本上表现出高精度，证明了其对临床文本变异的鲁棒性。
• 结果验证了将深度学习与分层结构建模相结合在肿瘤学医学文本分类中的有效性。