Interpretable histopathology-based prediction of disease relevant features in Inflammatory Bowel Disease biopsies using weakly-supervised deep learning

要約

クローン病 (CD) と潰瘍性大腸炎 (UC) は、炎症性腸疾患 (IBD) の 2 つの主要なタイプです。
私たちは、内視鏡ラベルのみを使用して CD と UC の両方の組織学的疾患特徴を特定する深層学習モデルを開発しました。
私たちは、3 つの異なる内視鏡カテゴリー (i) CD 対 UC (AUC=0.87)、(ii) 正常 vs 病変 (
AUC=0.81)、(iii) 低疾患重症度スコアと高疾患重症度スコア (AUC=0.80)。
私たちは、モデルが学習したことを解釈する視覚的な注意マップを作成し、病理学者のサポートを受けて検証しました。そこで、モデルの予測と病気の組織病理学的炎症特徴との間に強い関連性が観察されました。
さらに、モデルが正常サンプルを病変であると誤って予測したが、病理学者による検査では顕微鏡レベルでは正しかったケースをいくつか特定しました。
組織学的所見が内視鏡的所見よりも重篤であるこの傾向は、以前に文献で発表されている。
並行して、結腸核識別および計数 (CoNIC) データセットでトレーニングされたモデルを利用して、6 つの細胞集団を予測および調査しました。
私たちは、生検で予測された免疫細胞が豊富な領域とアテンション マップに対する病理学者のフィードバックとの間に相関関係を観察しました。
最後に、CD および UC の疾患の重症度を示すいくつかの細胞レベルの特徴を特定しました。
これらのモデルは、IBD の背後にある病理についての理解を深め、臨床試験における患者層別戦略を形作ることができます。

要約(オリジナル)

Crohn’s Disease (CD) and Ulcerative Colitis (UC) are the two main Inflammatory Bowel Disease (IBD) types. We developed deep learning models to identify histological disease features for both CD and UC using only endoscopic labels. We explored fine-tuning and end-to-end training of two state-of-the-art self-supervised models for predicting three different endoscopic categories (i) CD vs UC (AUC=0.87), (ii) normal vs lesional (AUC=0.81), (iii) low vs high disease severity score (AUC=0.80). We produced visual attention maps to interpret what the models learned and validated them with the support of a pathologist, where we observed a strong association between the models’ predictions and histopathological inflammatory features of the disease. Additionally, we identified several cases where the model incorrectly predicted normal samples as lesional but were correct on the microscopic level when reviewed by the pathologist. This tendency of histological presentation to be more severe than endoscopic presentation was previously published in the literature. In parallel, we utilised a model trained on the Colon Nuclei Identification and Counting (CoNIC) dataset to predict and explore 6 cell populations. We observed correlation between areas enriched with the predicted immune cells in biopsies and the pathologist’s feedback on the attention maps. Finally, we identified several cell level features indicative of disease severity in CD and UC. These models can enhance our understanding about the pathology behind IBD and can shape our strategies for patient stratification in clinical trials.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google