[论文解读] Transfer Learning for Oral Cancer Detection using Microscopic Images

Rutwik Jayant Palaskar, Renu Vyas+3 more|arXiv (Cornell University)|Nov 23, 2020

AI in cancer detection参考文献 16被引用 14

一句话总结

本研究提出了一种迁移学习框架，使用预训练的CNN模型——具体为Inception V3、ResNet和MobileNet——在新收集并增强的口腔鳞状细胞癌显微图像数据集上，以提升早期口腔癌检测效果。该方法相较于简单的CNN基线模型，实现了10–15%的绝对准确率提升，其中微调后的Inception V3结合数据增强的模型达到91.13%的准确率和88%的F1得分，表明在小样本医学影像场景下，尤其在类别不平衡条件下，具有出色的组织病理学分类性能。

ABSTRACT

Oral cancer has more than 83% survival rate if detected in its early stages, however, only 29% of cases are currently detected early. Deep learning techniques can detect patterns of oral cancer cells and can aid in its early detection. In this work, we present the first results of neural networks for oral cancer detection using microscopic images. We compare numerous state-of-the-art models via transfer learning approach and collect and release an augmented dataset of high-quality microscopic images of oral cancer. We present a comprehensive study of different models and report their performance on this type of data. Overall, we obtain a 10-15% absolute improvement with transfer learning methods compared to a simple Convolutional Neural Network baseline. Ablation studies show the added benefit of data augmentation techniques with finetuning for this task.

研究动机与目标

• 为解决当前仅29%的早期口腔癌检测率这一关键挑战，通过深度学习自动化组织病理学分类。
• 在新收集的高质量口腔鳞状细胞癌与正常上皮组织图像数据集上，开发并评估迁移学习模型。
• 研究在有限医学影像数据背景下，数据增强与微调对模型性能的影响。
• 评估并比较多种类别不平衡处理技术——过采样、欠采样和损失加权——以提升模型公平性与泛化能力。
• 通过来自独立临床来源的数据进行多中心测试，验证模型的鲁棒性。

提出的方法

• 采用在ImageNet上预训练的模型（MobileNet、ResNet-50和Inception V3）进行迁移学习，并在自定义的1224张组织病理学图像数据集上进行微调。
• 应用旋转、翻转和缩放等数据增强技术，以增加训练多样性并提升泛化能力。
• 通过替换最后的分类层并使用较低的初始学习率训练最后几层，完成微调。
• 评估了三种类别不平衡缓解策略：少数类过采样、多数类欠采样，以及训练过程中使用类别加权损失。
• 使用标准指标（准确率、精确率、召回率、F1得分和AUC-ROC）进行模型评估，并通过混淆矩阵分析评估各类别性能。
• 通过来自合作牙科医院的123张额外OSCC图像，结合原始测试集中的非癌变图像，开展多中心测试。

实验结果

研究问题

• RQ1 在显微图像中，最先进的迁移学习模型在分类口腔鳞状细胞癌与正常上皮组织方面的表现如何？
• RQ2 在本小样本医学影像场景下，数据增强与微调对模型性能的相对贡献是什么？
• RQ3 在过采样、欠采样和损失加权三种类别不平衡处理技术中，哪一种能实现最平衡且准确的分类性能？
• RQ4 当在不同临床来源的数据上测试时，模型的泛化能力如何？
• RQ5 在多种评估指标下，哪种模型架构能实现最高的准确率与鲁棒性？

主要发现

• 结合数据增强与微调的Inception V3模型达到最高的测试准确率91.13%，F1得分为88%，AUC-ROC为87%，优于所有其他模型。
• 仅通过微调的迁移学习相比简单CNN基线模型，准确率提升了10–15%，其中ResNet和Inception V3的提升最为显著。
• 数据增强带来了可测量的性能增益，尤其在与微调结合时，使Inception V3的准确率从89.52%提升至91.13%。
• 损失加权在大型CNN模型中表现优于过采样与欠采样，AUC-ROC达到0.66，高于过采样的0.56，表明类别平衡更优。
• 多中心测试显示所有迁移学习模型均表现出良好性能，其中Inception V3达到83.66%的准确率，证实了模型在不同数据源间的泛化能力。
• 混淆矩阵分析表明，尽管大型CNN与Inception V3的真正例率相近，但大型CNN在真负例上表现显著较差，表明其特异性不足且存在类别不平衡偏差。