Erkennung von Krebsmetastasen in Gigapixel-Pfadologiebildern

Jährlich hängen die Behandlungsentscheidungen für mehr als 230.000 Brustkrebspatientinnen in den USA davon ab, ob der Krebs von der Brust ausgehend metastasiert ist. Die Metastasendetektion wird derzeit durch Pathologen durchgeführt, die große Flächen biologischer Gewebe untersuchen. Dieser Prozess ist arbeitsintensiv und fehleranfällig. Wir präsentieren ein Framework zur automatischen Detektion und Lokalisierung von Tumoren mit einer Größe von bis zu 100 x 100 Pixeln in Gigapixel-Mikroskopbildern mit einer Auflösung von 100.000 x 100.000 Pixeln. Unsere Methode nutzt eine Faltungsneuronale-Netz-Architektur (Convolutional Neural Network, CNN) und erzielt Stand-des-Wissens-Ergebnisse im schwierigen Aufgabenbereich der Läsionsdetektion auf dem Camelyon16-Datensatz. Bei einem Fehlalarm-Rate von 8 Falschpositiven pro Bild erkennen wir 92,4 % der Tumoren, im Vergleich zu 82,7 % des bisher besten automatisierten Ansatzes. Zum Vergleich erreichte ein menschlicher Pathologe bei einer erschöpfenden Suche eine Sensitivität von 73,2 %. Wir erzielen Bild-Level-AUC-Werte über 97 % sowohl auf dem Camelyon16-Testdatensatz als auch auf einem unabhängigen Satz von 110 Präparaten. Zudem entdeckten wir, dass zwei Präparate im Camelyon16-Trainingsdatensatz fälschlicherweise als normal gekennzeichnet wurden. Unser Ansatz könnte die Falschnegative-Rate in der Metastasendetektion erheblich reduzieren.