Deep Learning-Based Objective and Reproducible Osteosarcoma Chemotherapy Response Assessment and Outcome Prediction

要約

骨肉腫は最も一般的な原発性骨肉腫で、標準的な治療法は術前化学療法とその後の切除術です。化学療法の効果は、予後の予測や患者のさらなる管理のために使用されます。壊死は、切除標本の組織学的スライドから化学療法後に定期的に評価され、壊死率は腫瘍全体に対する壊死腫瘍の割合と定義される。壊死率90％以上の患者は、予後が良いことが知られている。複数のスライドガラスを用いた手作業による壊死率の検討は、半定量的であり、観察者間および観察者間のばらつきが生じる可能性がある。我々は、スキャンしたヘマトキシリン・エオジン全スライド画像から転帰予測を伴う壊死比を推定する客観的で再現性の高いディープラーニングベースのアプローチを提案する。我々は、深層学習モデルを訓練し、壊死率評価を検証し、転帰予測を評価するために、3134枚のWSIを持つ103例の骨肉腫を収集した。Deep Multi-Magnification Networkを学習させ、生存腫瘍と壊死腫瘍を含む複数の組織サブタイプをピクセルレベルでセグメント化し、複数のWSIから症例レベルの壊死比率を算出することができるようにした。その結果、我々のセグメンテーションモデルによって推定された壊死率は、専門家が手動で評価した病理報告書の壊死率と高い相関があり、Grade IV（100%），III（>=90%），II（>=50%および<90%）の壊死反応の平均絶対差はそれぞれ4.4%、 4.5% および 17.8% であることがわかった。患者の層別化に成功し、全生存期間をp=10^-6、無増悪生存期間をp=0.012で予測することができた。ばらつきのない再現性のあるアプローチにより、特に我々のモデルとデータセットに合わせたカットオフ閾値を、OSについては80％、PFSについては60％に調整することができました。我々の研究は、ディープラーニングが、治療反応の評価と患者の転帰を予測するために、組織学から骨肉腫を分析する客観的なツールとして病理医をサポートできることを示しています。

要約(オリジナル)

Osteosarcoma is the most common primary bone cancer whose standard treatment includes pre-operative chemotherapy followed by resection. Chemotherapy response is used for predicting prognosis and further management of patients. Necrosis is routinely assessed post-chemotherapy from histology slides on resection specimens where necrosis ratio is defined as the ratio of necrotic tumor to overall tumor. Patients with necrosis ratio >=90% are known to have better outcome. Manual microscopic review of necrosis ratio from multiple glass slides is semi-quantitative and can have intra- and inter-observer variability. We propose an objective and reproducible deep learning-based approach to estimate necrosis ratio with outcome prediction from scanned hematoxylin and eosin whole slide images. We collected 103 osteosarcoma cases with 3134 WSIs to train our deep learning model, to validate necrosis ratio assessment, and to evaluate outcome prediction. We trained Deep Multi-Magnification Network to segment multiple tissue subtypes including viable tumor and necrotic tumor in pixel-level and to calculate case-level necrosis ratio from multiple WSIs. We showed necrosis ratio estimated by our segmentation model highly correlates with necrosis ratio from pathology reports manually assessed by experts where mean absolute differences for Grades IV (100%), III (>=90%), and II (>=50% and <90%) necrosis response are 4.4%, 4.5%, and 17.8%, respectively. We successfully stratified patients to predict overall survival with p=10^-6 and progression-free survival with p=0.012. Our reproducible approach without variability enabled us to tune cutoff thresholds, specifically for our model and our data set, to 80% for OS and 60% for PFS. Our study indicates deep learning can support pathologists as an objective tool to analyze osteosarcoma from histology for assessing treatment response and predicting patient outcome.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL