[Paper Review] WSISA: Making Survival Prediction from Whole Slide Histopathological Images

JaeHeon Lee, 이재헌·2022년 4월 27일
0

Paper Review

목록 보기
8/49
post-thumbnail

WSISA: Making Survival Prediction from Whole Slide Histopathological Images

WSI를 사용한 survival analysis의 시초격이 되는 논문이다. DeepConvSurv와 동일 저자가 1년 뒤 이전 모델을 발전시켜 연구에 사용하였다.

Introduction

  • WSI size를 고려한 adaptive sampling
  • Group into different clusters with thumbnail
  • Train an aggregation model to make patient-level predictions based on cluster-level DeepConvSurv

Methodology

기존 방법은 patch로부터 뽑은 local information에 집중함.
본 연구에서는 WSI로부터 general information을 얻은 framework를 개발함.

Framework

1) Generate patches
2) Clustering patch candidates according to their phenotypes
3) Selecting clusters based on path-wise survival prediction performance
4) Aggregating the selected clusters to make final prediction

Data

NLST : The National Lung Screening Trial, lung cancer dataset (very large)
TCGA: The Cancer Genome Atlas, glioblastoma multiforme, lung squamous cell carcinoma

Sampling from WSIs

Randomly sampled from patients WSI → catch main patterns and proportions
Patch size of 512 x 512 pixel (20X)

Clustering on Phenotypes

512 x 512 → 50 x 50 pixel thumbnail
2500 dimensions → PCA → 50 dimensions
K-means clustering 진행
각 cluster 에 속한 patch들에 대해 DeepConvSurv 로 accuracy 측정

Aggregation

단순 average pooling이 아닌, weighted sum 방식의 pooling
(단, weight는 학습을 통해 정해지는 것이 아니라 기존 cluster의 특성에 따라 미리 정해짐.)

Wpatient,cluster=환자한명당,해당clusterpatch개수환자한명당전체걸러진selectedcluster내부모든patch개수W_{patient, cluster} = \frac{환자 한명당, 해당 cluster의 patch 개수}{환자 한명당 전체 걸러진 selected cluster 내부 모든 patch 개수}

이는 separate pattern의 contribution을 반영하기 위함임.
cluster 내부 patch features에 대해 단순 average pooling을 진행한 후
위에서 구한 weight를 각 cluster에 더해 weighted sum을 계산한 후 patient-level prediction 진행

Experiments

Comparison method

7가지 popular state-of-the-art survival model과 comparison study를 진행
1) LASSO-Cox (l1-norm penalized Cox)
2) EN-Cox (elastic-net penalized Cox)
3) Parametric censored regression models Weibull
4) Parametric censored regression models Logistic
5) RSF (Random Survival Forest)
6) BoostCI (Boosting concordance index)
7) MTLSA (Multi-task learning models)

ROI-based: annotation된 영역으로부터 patch를 추출. 1795 features.

WSISA를 사용했을 때 대부분의 실험에서 성능이 좋았다.
NLST 에서 WSISA 방법을 사용했을 때 ROI based method보다 15% 이상의 성능 향상을 보였다.

Clustering and Selecting Clusters

Selecting cluster를 진행할 때 c-index 기준 0.5를 threshold 로 설정함.
푸른색은 non-survival related cluster, 붉은색은 selected cluster임.
Among each cluster에서 heterogeneity를 볼 수 있음.
Phenotype based cluster method가 효과적으로 survival related pattern을 구별했음.

Conclusion

  • selecting image patches: CNN을 통과시킨 후 patch를 clustering하여 informative 하지 않은 cluster은 drop시킴. 이후 각 cluster의 기여도를 반영한 weighted sum을 통해 aggregation을 거쳐 final risk prediction을 linear model을 통해 수행함.
profile
https://jaeheon-lee486.github.io/

0개의 댓글