Efficient subtyping of ovarian cancer histopathology whole slide images using active sampling in multiple instance learning

要約

組織病理学スライドの弱い教師付き分類は、計算集約的なタスクであり、典型的な全スライド画像 (WSI) には処理するピクセルが数十億含まれています。
複数インスタンス学習のための識別領域アクティブ サンプリング (DRAS-MIL) を提案します。これは、アテンション スコアを使用して高度に識別可能な領域にサンプリングを集中させる、計算効率の高いスライド分類方法です。
これを卵巣癌の組織学的サブタイプの診断に適用します。これは、異なるサブタイプが異なる遺伝的および分子的プロファイル、治療オプション、および患者の転帰を有するため、患者ケア経路の不可欠な部分です。
Leeds Teaching Hospitals NHS Trust の 147 人の上皮性卵巣癌患者から取得した 714 の WSI のデータセットを使用して、最も一般的なサブタイプである高悪性度漿液性癌を他の 4 つのサブタイプ (低悪性度漿液性、類内膜、明細胞、および
粘液癌）を併用。
DRAS-MIL が徹底的なスライド分析と同様の分類パフォーマンスを達成できることを示します。3 倍の交差検証済み AUC は、標準の注意ベースの MIL 分類の 0.8781 と比較して 0.8679 です。
私たちのアプローチは、標準のアプローチと比べて最大で 18% のメモリを使用しますが、GPU で評価する場合は 33% の時間を要し、CPU だけでは 14% しかかかりません。
予測時間とメモリ要件を減らすことは、AI の臨床展開と民主化に利益をもたらし、計算ハードウェアがエンドユーザーの採用を制限する範囲を減らします。

要約(オリジナル)

Weakly-supervised classification of histopathology slides is a computationally intensive task, with a typical whole slide image (WSI) containing billions of pixels to process. We propose Discriminative Region Active Sampling for Multiple Instance Learning (DRAS-MIL), a computationally efficient slide classification method using attention scores to focus sampling on highly discriminative regions. We apply this to the diagnosis of ovarian cancer histological subtypes, which is an essential part of the patient care pathway as different subtypes have different genetic and molecular profiles, treatment options, and patient outcomes. We use a dataset of 714 WSIs acquired from 147 epithelial ovarian cancer patients at Leeds Teaching Hospitals NHS Trust to distinguish the most common subtype, high-grade serous carcinoma, from the other four subtypes (low-grade serous, endometrioid, clear cell, and mucinous carcinomas) combined. We demonstrate that DRAS-MIL can achieve similar classification performance to exhaustive slide analysis, with a 3-fold cross-validated AUC of 0.8679 compared to 0.8781 with standard attention-based MIL classification. Our approach uses at most 18% as much memory as the standard approach, while taking 33% of the time when evaluating on a GPU and only 14% on a CPU alone. Reducing prediction time and memory requirements may benefit clinical deployment and the democratisation of AI, reducing the extent to which computational hardware limits end-user adoption.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google