Vision Transformer-Based Deep Learning for Histologic Classification of Endometrial Cancer

要約

子宮内膜がんは、米国の女性で 4 番目に多いがんであり、この疾患を発症する生涯リスクは女性で約 2.8% です。
子宮内膜がんの正確な組織学的評価と分子分類は、効果的な患者管理と最適な治療法を決定するために重要です。
この研究では、組織学的特徴を抽出する畳み込みニューラル ネットワークと、これらの特徴を集約し、視覚的特徴に基づいてスライドを高グレードと低グレードに分類するビジョン トランスフォーマーを使用する EndoNet を紹介します。
このモデルは、Dartmouth-Health での子宮摘出症例からの子宮内膜がんのデジタル化されたヘマトキシリンおよびエオシン染色された 929 枚の全スライド画像でトレーニングされました。
これらのスライドは、低悪性度 (子宮内膜グレード 1 および 2) と高悪性度 (子宮内膜癌、FIGO グレード 3、子宮漿液性癌、癌肉腫) のカテゴリーに分類されます。
EndoNet は、公開 TCGA データベースからの 110 人の患者からなる内部テスト セットと 100 人の患者からなる外部テスト セットで評価されました。
このモデルは、内部テストで加重平均 F1 スコア 0.91 (95% CI: 0.86-0.95) および AUC 0.95 (95% CI: 0.89-0.99)、および 0.86 (95% CI: 0.80-0.94) を達成しました。
外部検査での F1 スコアおよび AUC は 0.86 (95% CI: 0.75-0.93) でした。
さらなる検証が行われるまで、EndoNet は婦人科病理腫瘍のグレードを分類する際に手動による注釈を必要とせずに病理学者をサポートできる可能性があります。

要約(オリジナル)

Endometrial cancer, the fourth most common cancer in females in the United States, with the lifetime risk for developing this disease is approximately 2.8% in women. Precise histologic evaluation and molecular classification of endometrial cancer is important for effective patient management and determining the best treatment modalities. This study introduces EndoNet, which uses convolutional neural networks for extracting histologic features and a vision transformer for aggregating these features and classifying slides based on their visual characteristics into high- and low- grade. The model was trained on 929 digitized hematoxylin and eosin-stained whole-slide images of endometrial cancer from hysterectomy cases at Dartmouth-Health. It classifies these slides into low-grade (Endometroid Grades 1 and 2) and high-grade (endometroid carcinoma FIGO grade 3, uterine serous carcinoma, carcinosarcoma) categories. EndoNet was evaluated on an internal test set of 110 patients and an external test set of 100 patients from the public TCGA database. The model achieved a weighted average F1-score of 0.91 (95% CI: 0.86-0.95) and an AUC of 0.95 (95% CI: 0.89-0.99) on the internal test, and 0.86 (95% CI: 0.80-0.94) for F1-score and 0.86 (95% CI: 0.75-0.93) for AUC on the external test. Pending further validation, EndoNet has the potential to support pathologists without the need of manual annotations in classifying the grades of gynecologic pathology tumors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google