機械学習アプローチを用いた非浸潤性膀胱癌と浸潤性膀胱癌の病理組織学的鑑別

Histopathological distinction of non-invasive and invasive bladder cancers using machine learning approaches.

• Peng-Nien Yin
• Kishan Kc
• Shishi Wei
• Qi Yu
• Rui Li
• Anne R Haake
• Hiroshi Miyamoto
• Feng Cui

抄録

背景:

膀胱癌の診断において最も困難な課題の一つは、非浸潤性のTaと表在性浸潤性のT1という2つの初期段階の腫瘍を組織学的に鑑別することである。実際、かなりの数の症例において、Ta腫瘍とT1腫瘍は顕微鏡下では非常によく似ており、経験豊富な病理医でさえ鑑別を困難にしている。したがって、膀胱癌の2つの病期を区別するための機械学習（ML）に基づいた好ましいシステムが急務となっている。

BACKGROUND: One of the most challenging tasks for bladder cancer diagnosis is to histologically differentiate two early stages, non-invasive Ta and superficially invasive T1, the latter of which is associated with a significantly higher risk of disease progression. Indeed, in a considerable number of cases, Ta and T1 tumors look very similar under microscope, making the distinction very difficult even for experienced pathologists. Thus, there is an urgent need for a favoring system based on machine learning (ML) to distinguish between the two stages of bladder cancer.

方法:

ロチェスター大学医療センターの病理医により、ヘマトキシリンとエオジンで染色された膀胱腫瘍組織の合計1177枚の画像が収集され、その中には非浸潤性腫瘍（ステージTa）460枚と浸潤性腫瘍（ステージT1）717枚が含まれていた。画像処理ソフトウェアImageJとCellProfilerを用いて、T1期の膀胱癌に特徴的な3つの浸潤パターン（すなわち、脱脂性反応、引き込みアーチファクト、および豊富なピンク色の細胞質）の特徴を抽出するための自動パイプラインを開発した。画像から抽出された特徴は、機械学習アプローチのスイートによって解析されました。

METHODS: A total of 1177 images of bladder tumor tissues stained by hematoxylin and eosin were collected by pathologists at University of Rochester Medical Center, which included 460 non-invasive (stage Ta) and 717 invasive (stage T1) tumors. Automatic pipelines were developed to extract features for three invasive patterns characteristic to the T1 stage bladder cancer (i.e., desmoplastic reaction, retraction artifact, and abundant pinker cytoplasm), using imaging processing software ImageJ and CellProfiler. Features extracted from the images were analyzed by a suite of machine learning approaches.

結果:

我々はTaとT1の腫瘍画像から約700個の特徴量を抽出した。教師なしクラスタリング分析では、TaとT1腫瘍のヘマトキシリンとエオジン画像を区別することができなかった。少ない特徴量で、6つの教師付き学習法を用いて、1177枚のTaまたはT1画像を91～96％の精度で識別することに成功した。対照的に、画像から自動的に特徴を抽出する畳み込みニューラルネットワーク（CNN）モデルの精度は84％であり、領域知識に基づく特徴抽出がCNNベースの自動特徴抽出よりも優れていることが示された。さらに解析を進めると、他の2つのパターンよりも脱皮反応が重要で、腫瘍細胞の核の数と大きさが最も予測可能な特徴量であることが明らかになった。

RESULTS: We extracted nearly 700 features from the Ta and T1 tumor images. Unsupervised clustering analysis failed to distinguish hematoxylin and eosin images of Ta vs. T1 tumors. With a reduced set of features, we successfully distinguished 1177 Ta or T1 images with an accuracy of 91-96% by six supervised learning methods. By contrast, convolutional neural network (CNN) models that automatically extract features from images produced an accuracy of 84%, indicating that feature extraction driven by domain knowledge outperforms CNN-based automatic feature extraction. Further analysis revealed that desmoplastic reaction was more important than the other two patterns, and the number and size of nuclei of tumor cells were the most predictive features.

結論:

我々は、他のタイプの癌に適用する可能性があるTaとT1疾患の正確な病期分類を容易にするために、MLを活用した、特徴を中心とした、解釈可能な診断システムを提供します。

CONCLUSIONS: We provide a ML-empowered, feature-centered, and interpretable diagnostic system to facilitate the accurate staging of Ta and T1 diseases, which has a potential to apply to other types of cancer.