Automated Diagnosis of Seven Major Skin Tumors in Canines Using a Convolutional Neural Network (CNN) on H&E-Stained Whole Slide Images (WSI)

Abstract

Die mikroskopische Untersuchung von HE-gefärbten Objektträgern ist der Goldstandard für eine Vielzahl von Krankheiten. Speziell in der Onkologie ist sie nicht nur für eine präzise Diagnose, sondern auch für das Staging von Tumoren und die Evaluierung ihrer Grenzen entscheidend. In den letzten Jahrzehnten, mit dem Aufkommen der Digitalen Pathologie (DP) und der Whole Slide Images (WSIs), steht die Image-Analyse und die Entwicklung von Algorithmen zur Durchführung spezifischer Aufgaben auf WSIs an vorderster Front der Forschung in der Pathologie, mit überwältigenden Ergebnissen. In dieser Studie beschreiben wir einen funktionellen Algorithmus zur automatischen Erkennung von sieben großen Hauttumoren bei Hunden: Trichoblastom, Plattenepithelkarzinom (SCC), peripherer Nervenscheidentumor (PNST), Melanom, Histiozytom, Mastzelltumor (MCT) und Plasmozytom. Wir haben 350 H&E-gefärbte Objektträger (70 pro Tumorart) ausgewählt, digitalisiert und mit Anmerkungen versehen, um eine Datenbank zu erstellen, die in Trainings- (n=245 WSIs), Validierungs- (n=35 WSIs) und Testdaten (n=70 WSIs) unterteilt ist. Anschließend wurde ein neuronales Faltungsnetzwerk (CNN) entwickelt und die Effizienz des Algorithmus an 140 neuen WSIs (20 pro Tumorart) getestet. Die Klassifizierungsgenauigkeit auf Objektträgerebene erreichte 95 % (133/140 WSIs), die Präzision auf Patch-Ebene lag bei 85 %. Dieselben 140 WSIs wurden sechs zertifizierten Pathologen zur Diagnose vorgelegt, die eine ähnliche Genauigkeit auf Objektträgerebene von 98 % erreichten (137/140 WSIs). Unsere Ergebnisse zeigen, dass der Einsatz von künstlicher Intelligenz als Hilfsmittel in der diagnostischen und forschenden onkologischen Pathologie machbar ist und in Zukunft auch bei anderen Spezies und anderen Tumorarten angewendet werden kann.

Microscopic examination of HE-stained slides is the gold standard for a variety of diseases. Specifically in oncology, it is critical not only for accurate diagnosis, but also for staging tumors and evaluating their limits. In recent decades, with the advent of Digital Pathology (DP) and Whole Slide Images (WSIs), image analysis and the development of algorithms to perform specific tasks on WSIs has been at the forefront of research in pathology, with overwhelming results. In this study, we describe a functional algorithm for automatic detection of seven major skin tumors in dogs: Trichoblastoma, squamous cell carcinoma (SCC), peripheral nerve sheath tumor (PNST), melanoma, histiocytoma, mast cell tumor (MCT), and plasmocytoma. We selected, digitized, and annotated 350 H&E-stained slides (70 per tumor type) to create a database divided into training (n=245 WSIs), validation (n=35 WSIs), and test (n=70 WSIs) data. A convolutional neural network (CNN) was then developed and the efficiency of the algorithm was tested on 140 new WSIs (20 per tumor type). The classification accuracy at the slide level reached 95% (133/140 WSIs), and the precision at the patch level was 85%. The same 140 WSIs were submitted to six certified pathologists for diagnosis, achieving similar slide-level accuracy of 98% (137/140 WSIs). Our results demonstrate that the use of artificial intelligence as a tool in diagnostic and research oncologic pathology is feasible and may be applied to other species and other tumor types in the future.