BRAVE AI : breast cancer assessment via efficient artificial intelligence in histopathology

Breast cancer is the most common type, and the leading cause of cancer-related deaths among women worldwide. The assessment process starts with imaging tests which provide initial diagnosis, but the reliable result of presence of cancer can be determined only with a biopsy. It requires the sectioning of a small tissue sample and its analysis under the microscope. Nowadays, the diagnosis requires several days to complete, thus, it represents the bottleneck of the dynamic of modern day hospitals. Therefore, the automation of the diagnostic process in histopathology, with accurate detection of breast cancer is one of the most addressed challenges in the recent years. Within this context, Machine Learning, and especially Deep Learning, which are more and more used for automation of decision making processes, provide large space for exploration of a possible solution. The main characteristic of this methodology is the utilization of the data as the only resource of knowledge about the underlying condition, and its characterization. BRAVE AI presents the design and the implementation of an automated, end-to-end pipeline for Invasive Ductal Carcinoma (IDC) detection in histopathological Whole Slide Images (WSIs). The purpose of the work is to facilitate, standardize, and accelerate the breast cancer diagnosis process which would, in turn, reduce the pathologists’ workload and enable higher throughput from the pathology departments in hospitals. Exploiting information contained in the patches of WSI, we train multiple Neural Network (NN) models narrowing down the space for optimal solution of the imposed problem. The approach is validated on an open-source dataset used in multiple works from the state of the art. BRAVE AI best performing model relies on DenseNet121 architecture, and obtains a balanced accuracy of 88.41%, a F1 score of 89.55%, and a sensitivity of 91.97%, achieving performance comparable to the state of the art.

Il cancro al seno è il tipo più comune e la principale causa di morte correlata al cancro tra le donne di tutto il mondo. Il processo di valutazione di questa patologia inizia con i test di imaging che forniscono una diagnosi iniziale, ma il risultato più attendibile sulla sua presenza può essere determinato solo con una biopsia. Questo esame richiede il sezionamento di un piccolo campione di tessuto e la sua analisi al microscopio. Al giorno d'oggi, la diagnosi richiede diversi giorni rappresentando così il collo di bottiglia della dinamica degli ospedali moderni. Pertanto, l'automazione del processo diagnostico in istopatologia, con l’obiettivo di un'accurata identificazione del cancro al seno è una delle sfide più affrontate negli ultimi anni. In questo contesto, il Machine Learning, e soprattutto il Deep Learning, sono sempre più utilizzati per l'automazione dei processi decisionali, fornendo ampi spazi d’esplorazione per una possibile soluzione. La caratteristica principale di queste metodologie è l'utilizzo dei soli dati come unica fonte di conoscenza sulla condizione sottostante e unico strumento per la sua caratterizzazione. BRAVE AI presenta dunque la progettazione e l'implementazione di una pipeline end-to-end automatizzata per il rilevamento del Carcinoma Duttale Invasivo da immagini WSI (Whole Slide Image) istopatologiche. Lo scopo di questo lavoro è quello di facilitare, standardizzare ed accelerare il processo di diagnosi del cancro al seno che, a sua volta, ridurrebbe il carico di lavoro demandato ai patologi e consentirebbe una maggiore produttività dai reparti di patologia negli ospedali. Sfruttando le informazioni contenute in sotto aree estratte dalle immagini WSI sono stati addestrati più modelli di reti neurali al fine di identificare la soluzione ottimale e riducendo così lo spazio delle possibili soluzioni. L'approccio è stato validato su dati open-source utilizzati in diversi lavori presenti nello stato dell'arte. Il modello che raggiunge le migliori prestazioni all’interno di BRAVE AI si basa sull'architettura della rete DenseNet121 e ottiene un’accuratezza bilanciata di 88,41%, un valore di F1 di 89,55% e una sensitività di 91,97%, ottenendo prestazioni paragonabili allo stato dell'arte.