Machine Learning Methods for Computer-Aided Breast Cancer Diagnosis Using Histopathology: A Narrative Review

• Published in: Journal of medical imaging and radiation sciences Vol. 51; no. 1; pp. 182 - 193
• Main Authors: Saxena, Shweta, Gyanchandani, Manasi
• Format: Journal Article
• Language: English
• Published: United States Elsevier Inc 01-03-2020
• Subjects: Breast cancer; Breast Neoplasms - diagnostic imaging; Breast Neoplasms - pathology; computer-aided diagnosis; Diagnosis, Computer-Assisted; Female; histopathology; Humans; Machine Learning; histopathology; Breast cancer; machine learning; computer-aided diagnosis
• ISSN: 1939-8654; 1876-7982
• DOI: 10.1016/j.jmir.2019.11.001

Histopathology is a method used for breast cancer diagnosis. Machine learning (ML) methods have achieved success for supervised learning tasks in the medical domain. In this article, we investigate the impact of ML for the diagnosis of breast cancer using histopathology images of conventional photomicroscopy. Cancer diagnosis is the identification of images as cancer or noncancer, and this involves image preprocessing, feature extraction, classification, and performance analysis. In this article, different approaches to perform these necessary steps are reviewed. We find that most ML research for breast cancer diagnosis has been focused on deep learning. Based on inferences from the recent research activities, we discuss how ML methods can benefit conventional microscopy-based breast cancer diagnosis. Finally, we discuss the research gaps of ML approaches for the implementation in a real pathology environment and propose future research guidelines.
L'histopathologieestuneméthodereconnue de diagnostic du cancer du sein. Les méthodesd'apprentissage machine (AM) ontobtenu un grand succès pour les tâchesd'apprentissagesupervisédans le domainemédical. Danscet article, nous examinons les répercussions de l’AM pour le diagnostic du cancer du sein enutilisant des images d'histopathologie de photomicroscopieconventionnelle. Puisque le diagnostic de cancer porte sur l'identification de l'imagecommecancéreuseou non-cancéreuse, il suppose le prétraitement de l'image, l'extraction des caractéristiques, la classification et l'analyse du rendement. Danscet article, nous examinonsdifférentesapproches de l'exécution de cesdifférentesétapesnécessaires. Nous avonsconstaté que la plupart des recherches AP pour le diagnostic de cancer du sein ontmis l'accent sur l'apprentissageprofond. Sur la base des inférencestiréesd'activités de recherchesrécentes, nous discutons de la façondont les méthodesd’AMpourraientprofiter au diagnostic du cancer basé sur la microscopieconventionnelle. Enfin, nous discutons des lacunes de recherche des approchesd’AM pour la miseenœuvredans un environnementréel de pathologie et proposons des lignesdirectrices pour des recherches futures.