[论文解读] Weakly Supervised Prostate TMA Classification via Graph Convolutional Networks

Jingwen Wang, Richard J. Chen+3 more|arXiv (Cornell University)|Oct 29, 2019

AI in cancer detection参考文献 25被引用 6

一句话总结

该论文提出了一种弱监督图卷积网络（GCN）框架，用于仅使用TMA级别标签的前列腺组织微阵列（TMA）分类，通过对比预测编码（CPC）学习细胞形态度量特征，并利用基于细胞核的图模型捕捉空间结构。在五折交叉验证中，该方法的AUC达到0.9659，相较于使用GLCM和VGG19特征的GCN分别提升了39.80%和29.27%。

ABSTRACT

Histology-based grade classification is clinically important for many cancer types in stratifying patients distinct treatment groups. In prostate cancer, the Gleason score is a grading system used to measure the aggressiveness of prostate cancer from the spatial organization of cells and the distribution of glands. However, the subjective interpretation of Gleason score often suffers from large interobserver and intraobserver variability. Previous work in deep learning-based objective Gleason grading requires manual pixel-level annotation. In this work, we propose a weakly-supervised approach for grade classification in tissue micro-arrays (TMA) using graph convolutional networks (GCNs), in which we model the spatial organization of cells as a graph to better capture the proliferation and community structure of tumor cells. As node-level features in our graph representation, we learn the morphometry of each cell using a contrastive predictive coding (CPC)-based self-supervised approach. We demonstrate that on a five-fold cross validation our method can achieve $0.9659\pm0.0096$ AUC using only TMA-level labels. Our method demonstrates a 39.80\% improvement over standard GCNs with texture features and a 29.27% improvement over GCNs with VGG19 features. Our proposed pipeline can be used to objectively stratify low and high risk cases, reducing inter- and intra-observer variability and pathologist workload.

研究动机与目标

• 通过开发一种客观的、基于深度学习的前列腺癌分类方法，减少Gleason评分分级中的观察者间和观察者内差异。
• 仅使用TMA级别标签，实现对患者低风险与高风险组的准确分层，避免昂贵的像素级标注。
• 通过利用图卷积网络（GCNs）建模肿瘤细胞的空间结构，比传统CNN更有效地捕捉空间架构。
• 通过使用对比预测编码（CPC）进行自监督形态度量学习，提升组织病理学中细胞核的特征表示。
• 证明基于CPC特征的GCN在Gleason评分分类中优于使用手工设计特征（GLCM）或迁移学习特征（VGG19）的模型。

提出的方法

• 对H&E染色TMA图像中的细胞进行分割，将细胞核表示为图中的节点，边根据空间邻近性构建。
• 通过对比预测编码（CPC）学习节点特征，这是一种自监督方法，可在无需像素级标注的情况下捕捉形态学特性。
• 使用GraphSAGE卷积进行消息传递，其中每个节点通过ReLU激活和拼接操作聚合其邻居的特征：$ h_v^{(k)} = W \bullet [h_v^{(k-1)}, \text{MAX}(\text{ReLU}(W \bullet h_u^{(k-1)})) \text{ for } u \text{ in } \nabla(v))] $。
• 应用自注意力图池化以聚合全局图级表征，注意力分数计算方式为 $ Z = \text{sigmoid}(\text{SAGEConv}(X, A + A^2)) $。
• 最终的图级表征用于将TMA二分类为高风险（Gleason ≥6）和低风险（Gleason <6）组。
• 模型仅使用TMA级别标签进行端到端训练，通过从图像角落和中心裁剪1550×1550的图像块实现数据增强。

实验结果

研究问题

• RQ1 基于GCN的方法能否仅使用TMA级别标签、无需像素级标注，实现高性能的Gleason评分分类？
• RQ2 通过对比预测编码（CPC）进行自监督学习，是否能产生优于迁移学习（如VGG19）或手工设计纹理特征（如GLCM）的细胞级特征，用于组织病理学图分类？
• RQ3 通过图结构建模细胞核的空间组织，是否能提升分类性能，优于缺乏全局上下文信息的标准CNN？
• RQ4 与依赖预训练特征或纹理描述符的现有基于GCN的方法相比，该方法的性能如何？
• RQ5 该模型能否仅使用图像级别标签，有效对Gleason评分差异较大的患者（如3+3与3+4）进行分层？

主要发现

• 所提方法在仅使用TMA级别标签的五折交叉验证中，AUC达到0.9659 ± 0.0096，展现出最先进性能。
• 相较于仅使用GLCM特征的GCN，AUC提升39.80%；相较于使用VGG19特征的GCN，AUC提升29.27%。
• 自监督学习的CPC基特征在图分类任务中显著优于迁移学习（VGG19）和手工纹理特征（GLCM）的表征。
• 该模型能有效对高风险（Gleason ≥6）和低风险（Gleason <6）病例进行分层，包括临床中具有挑战性的3+3与3+4亚型。
• 基于CPC特征的GCN通过提供客观、自动化的分类，显著降低了病理科医生的工作负担及观察者间和观察者内差异。
• 该方法可扩展至全切片图像，并可进一步拓展至多分类任务，以及与临床和多组学数据的整合。