Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification

技術要約：骨肉腫組織分類のための階層的損失を用いたラジオミクス統合型ディープラーニング

問題提起
骨肉腫（OS）は侵襲性の高い原発性骨悪性腫瘍であり、術前補助化学療法後の生存腫瘍領域と非生存腫瘍領域を正確に評価することは、予後予測および治療計画において極めて重要である。病理組織スライドの手動評価は、労力がかかる上に主観的であり、観察者間のばらつきが生じやすい。近年のディープラーニングを用いた自動化の試みはあるものの、先行研究の多くはタイルレベルでの汎化性能を報告しており、それは患者レベルのテストでは維持されないことが多かった。この不一致は、ランダムなタイルレベルの分割（同一患者の複数のタイルが訓練セットとテストセットの両方に現れることによるデータ漏洩）や、「フラット」な多クラスモデルが疾患の臨床的な階層性を考慮できていないことに起因する。具体的には、標準的な3クラス分類（非腫瘍、非生存腫瘍、生存腫瘍）は、これらのサブタイプの臨床的重要性の違いや、疾患に固有のクラス出現頻度の違いを見落としがちである。

手法
著者らは、モデルのアーキテクチャを臨床的推論に適合させるために設計された、マルチモーダル階層学習フレームワークを提案している。その手法は、以下の3つのコアコンポーネントで構成される：

1. マルチモーダル特徴融合: 本フレームワークは、ディープラーニングによる画像特徴量と、手作業で設計されたラジオミクス記述子を統合する。

   • 画像エンコーダ（$f_{img}$）はRGB組織タイルを処理し、ラジオミクスエンコーダ（$f_{rad}$）はPyRadiomicsライブラリを介して抽出された29個の一次統計量および2D形状特徴ベクトルを処理する。
   • これらのモダリティは、適応型アテンションゲート機構を用いて融合される。ソフトマックスゲートがアテンション重み（$\alpha_{img}, \alpha_{rad}$）を計算し、画像とラジオミクスの埋め込みを加重結合することで、与えられたサンプルに対して最も情報量の多いモダリティをモデルが動的に優先できるようにする。

2. 階層的タスク定式化: フラットな3クラス分類の代わりに、問題は関連する2つのバイナリタスクに分解される：

   • タスクA（粗い分類）: 非腫瘍 vs 腫瘍（生存＋非生存）。
   • タスクB（細かい分類）: 非生存腫瘍 vs 生存腫瘍（タスクAで腫瘍と判定されたサンプルにのみ適用）。
   • 最終的な3ウェイ確率分布は、これら2つのバイナリタスクの確率を乗算することによって導かれ、出力が病理学的階層性を遵守することを保証する。

3. 不確実性加重階層損失: 2つのタスクを同時に最適化するために、著者らはホモスケダスティック不確実性加重フレームワーク（Kendallら）を採用している。

   • 学習可能なスカラーパラメータ（$\lambda_A, \lambda_B$）は、各タスクの対数分散（不確実性）を表す。
   • 結合目的関数は、両方のタスクの加重クロスエントロピー損失を組み合わせるものであり、学習された不確実性が高いタスクには、実効的な重みが低く設定される。これにより、手動のハイパーパラメータ調整を行うことなく、モデルが粗い分類タスクと細かい分類タスクの間で学習信号を適応的にバランスさせることが可能となる。

主な貢献

• 患者レベルの汎化性能: 本研究は、厳格な患者レベルの分割を用いて訓練とテストを行うことで、データ漏洩の問題に対処しており、従来のタイルレベルのランダム分割と比較して、より現実的なモデルの汎化性能の評価を提供している。
• マルチモーダル統合: 手作業によるラジオミクス特徴量（特に形状および強度記述子）を追加の入力として組み込むことが、ディープネットワークによる暗黙的な表現から派生したものである場合であっても、分類性能を大幅に向上させ、解釈性を高めることを示した。
• 階層的損失の最適化: 学習可能な不確実性加重を備えた構造化された2ヘッド損失関数を導入した。このアプローチは、腫瘍の存在とその生存性の依存関係を明示的にモデル化することにより、フラットな多クラスベースラインよりも優れた性能を示す。

実験結果
本フレームワークは、1995年から2015年までのH&E染色タイル1,144枚（非腫瘍、非生存腫瘍、生存腫瘍にアノテーション済み）を含むTCIA Osteosarcoma Tumor Assessmentデータセットを用いて評価された。

• 性能: 提案された構成（InceptionV3バックボーン + 階層的損失 + ラジオミクス）は、このデータセットにおいて最先端（SOTA）の性能を達成した。
  • 全体精度 (Overall Accuracy): 0.86 ± 0.01（ベースラインの3クラスInceptionV3の0.73と比較）。
  • Macro-F1: 0.86 ± 0.01。
  • OvR AUC: 0.96 ± 0.00。
• アブレーション研究:
  • 標準的なInceptionV3にラジオミクス特徴量を追加すると、Macro-F1が0.74から0.80に向上した。
  • InceptionV3に階層的損失を追加すると、Macro-F1が0.73から0.75に向上した。
  • 両方を組み合わせることで、最大の利得が得られた。
• クラス別改善: フルモデルは、困難な「非生存腫瘍」クラスの認識を大幅に改善した。特異度90%における感度（Sen@Spe90）は、非生存腫瘍において0.69（ベースライン）から0.83に上昇した。また、非腫瘍（Sen@Spe90 0.92）および生存腫瘍（Sen@Spe90 0.95）についても高い性能を維持した。

意義と主張
著者らは、本研究がオープンなTCIAデータセットにおける骨肉腫組織分類の新たな最先端ベンチマークを確立したと主張している。彼らは、ラジオミクスの統合が、明示的な形状記述子を通じて内在的な解釈性を提供し、ディープネットワークの暗黙的な表現を補完すると論じている。さらに、階層的な定式化は、モデルの意思決定プロセスを腫瘍の生存性の進行に合わせることで、臨床的に意味のある推論をサポートする。本研究は、階層的な監督とマルチモーダル融合を組み合わせることが、すべての臨床的に関連する組織型、特に分類が困難な非生存腫瘍サブタイプにおける識別能を高めるために不可欠であると結論付けている。コードと学習済みモデルはコミュニティに公開されている。