Towards More Transparent and Accurate Cancer Diagnosis with an Unsupervised CAE Approach

要約

デジタル病理学は、病理組織学的全スライド画像 (WSI) の分析にコンテンツベースの医用画像検索 (CBMIR) を活用することにより、がん診断に革命をもたらしました。
CBMIR により、類似したコンテンツの検索が可能になり、診断の信頼性と精度が向上します。
Global Cancer Observatory (GCO) の報告によると、2020 年には乳がんと前立腺がんがそれぞれ症例の 11.7% と 14.1% を占めました。
提案された教師なし CBMIR (UCBMIR) は、従来のがん診断ワークフローを再現し、WSI ベースの診断結論において病理学者をサポートする信頼できる方法を提供します。
このアプローチにより、病理学者の作業負荷が軽減され、診断効率が向上する可能性があります。
CBMIR にはラベル付きの組織病理学的画像が存在しないという課題に対処するために、カスタマイズされた教師なし畳み込み自動エンコーダー (CAE) が開発され、検索エンジン コンポーネント用に画像ごとに 200 個の特徴を抽出しました。
UCBMIR は、CBMIR で広く使用されている数値手法と、視覚的な評価および分類器との比較を使用して評価されました。
検証には 3 つの異なるデータセットが含まれ、外部評価によってその有効性が実証されました。
UCBMIR は以前の研究を上回り、最初の評価手法を使用して、BreaKHis と SICAPv2 でそれぞれ 99% と 80% のトップ 5 再現率を達成しました。
2 番目の評価手法を使用すると、BreaKHis と SICAPv2 でそれぞれ 91% と 70% の精度が達成されました。
さらに、UCBMIR はパッチ内のさまざまなパターンを識別する機能を実証し、Arvaniti の外部画像でテストした場合、上位 5 位以内で 81% の精度を達成しました。

要約(オリジナル)

Digital pathology has revolutionized cancer diagnosis by leveraging Content-Based Medical Image Retrieval (CBMIR) for analyzing histopathological Whole Slide Images (WSIs). CBMIR enables searching for similar content, enhancing diagnostic reliability and accuracy. In 2020, breast and prostate cancer constituted 11.7% and 14.1% of cases, respectively, as reported by the Global Cancer Observatory (GCO). The proposed Unsupervised CBMIR (UCBMIR) replicates the traditional cancer diagnosis workflow, offering a dependable method to support pathologists in WSI-based diagnostic conclusions. This approach alleviates pathologists’ workload, potentially enhancing diagnostic efficiency. To address the challenge of the lack of labeled histopathological images in CBMIR, a customized unsupervised Convolutional Auto Encoder (CAE) was developed, extracting 200 features per image for the search engine component. UCBMIR was evaluated using widely-used numerical techniques in CBMIR, alongside visual evaluation and comparison with a classifier. The validation involved three distinct datasets, with an external evaluation demonstrating its effectiveness. UCBMIR outperformed previous studies, achieving a top 5 recall of 99% and 80% on BreaKHis and SICAPv2, respectively, using the first evaluation technique. Precision rates of 91% and 70% were achieved for BreaKHis and SICAPv2, respectively, using the second evaluation technique. Furthermore, UCBMIR demonstrated the capability to identify various patterns in patches, achieving an 81% accuracy in the top 5 when tested on an external image from Arvaniti.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google