[论文解读] Multi-Organ Cancer Classification and Survival Analysis

Stefan Bauer, Nicolas Carion+4 more|arXiv (Cornell University)|Jun 2, 2016

Radiomics and Machine Learning in Medical Imaging参考文献 2被引用 8

一句话总结

本文提出了一种深度残差神经网络（ResNet）框架，用于肾细胞癌（RCC）和前列腺癌（PCa）中多器官癌细胞核的分类，通过在两个数据集上联合训练以提高分类准确率和生存预测能力。该方法实现了最先进性能，其中在合并数据上训练的ResNet18在生存分析中优于人类病理学家（p = 0.006），表明跨器官的可迁移特征存在。

ABSTRACT

Accurate and robust cell nuclei classification is the cornerstone for a wider range of tasks in digital and Computational Pathology. However, most machine learning systems require extensive labeling from expert pathologists for each individual problem at hand, with no or limited abilities for knowledge transfer between datasets and organ sites. In this paper we implement and evaluate a variety of deep neural network models and model ensembles for nuclei classification in renal cell cancer (RCC) and prostate cancer (PCa). We propose a convolutional neural network system based on residual learning which significantly improves over the state-of-the-art in cell nuclei classification. Finally, we show that the combination of tissue types during training increases not only classification accuracy but also overall survival analysis.

研究动机与目标

• 开发一种用于数字病理学中细胞核分类的鲁棒深度学习模型。
• 研究利用共享特征在不同癌种（RCC与PCa）之间实现知识迁移的可能性。
• 评估联合训练对分类准确率与生存预测能力的影响。
• 为未来研究提供公开可用的基准，包括代码、数据集和生存数据。

提出的方法

• 从零开始在RCC和PCa组织微阵列的78×78细胞核图像块上训练残差神经网络（ResNet18和ResNet34）。
• 应用数据增强技术，包括随机缩放、旋转、翻转和色彩抖动，以提升在小样本数据集上的泛化能力。
• 将RCC与PCa数据合并，用于在二分类（恶性/良性）和四分类（器官特异性）设置下的联合训练。
• 使用精确率、召回率、F1分数和支持度等指标，在验证集和测试集上评估模型性能。
• 采用Kaplan-Meier估计器和log-rank检验进行生存分析，比较模型预测与病理学家评估结果。
• 由于计算资源限制和样本量较小，采用单折交叉验证。

实验结果

研究问题

• RQ1 在一种癌种上训练的深度神经网络能否泛化到另一种癌种，表明器官之间存在共享特征？
• RQ2 在多种器官类型上进行联合训练是否能提升分类准确率与生存预测能力？
• RQ3 不同网络架构（如ResNet18与ResNet34）在标注有限的小样本病理数据集上表现如何？
• RQ4 模型集成与数据增强是否能显著提升在小样本、专家标注病理数据集上的性能？
• RQ5 联合训练是否比器官特异性训练带来更好的生存预测效果？

主要发现

• 在RCC与PCa合并数据上训练的ResNet18在PCa上达到100%准确率，在RCC上达到80%准确率，优于单一器官的单独训练。
• 联合训练方法显著提升了生存分析性能，其中ResNet18在log-rank检验中p值为0.006，优于人类病理学家（p = 0.038）。
• ResNet18在联合数据集上的表现优于ResNet34，表明更简单的网络结构在复杂度较低的情况下具有更好的泛化能力。
• 四分类（两器官×两分类）并未提升性能，表明器官之间存在共享特征。
• 数据增强显著提升了模型的鲁棒性，尤其在标注有限的小样本数据集上效果明显。
• 所提出的框架（包括代码与数据集）为未来计算病理学研究提供了全面的基准。