用于肿瘤病理图像分析的贝叶斯标记交互模型
统计方法学
2020-12-10 v1 应用统计
摘要
随着成像技术的进步,肿瘤组织切片的数字病理成像正成为癌症诊断的常规临床流程。该过程产生以高分辨率捕捉组织学细节的海量成像数据。深度学习方法近期的发展使我们能够大规模地从数字病理图像中识别和分类单个细胞。随机分布的细胞可被视为标记点过程,其中每个点由其位置和细胞类型定义。对此类标记空间点模式的可靠统计建模方法可揭示肿瘤进展的新见解,并阐明癌症的生物学机制。在本文中,我们考虑对肿瘤病理图像中观察到的三种常见细胞(即淋巴细胞、基质细胞和肿瘤细胞)间空间相关性建模的问题。在贝叶斯框架下提出了一种具有可解释底层参数(其中部分具有临床意义)的标记点过程新颖标记模型。我们使用马尔可夫链蒙特卡罗(MCMC)采样技术,结合双重 Metropolis-Hastings (DMH) 算法,从具有难解归一化常数的后验分布中采样。在基准数据集上,我们展示了这种基于模型的分析如何比普通探索性分析得出更敏锐的推断。最后,我们对来自国家肺部筛查试验的 188 名肺癌患者的病理图像进行了案例研究。结果表明,肿瘤与基质细胞间的空间相关性可预测患者预后。该统计方法不仅提出了表征多类型空间点模式中空间相关性的新模型,也为理解细胞-细胞相互作用在癌症进展中的角色提供了新视角。
引用
@article{arxiv.1802.08308,
title = {A Bayesian Mark Interaction Model for Analysis of Tumor Pathology Images},
author = {Qiwei Li and Xinlei Wang and Faming Liang and Guanghua Xiao},
journal= {arXiv preprint arXiv:1802.08308},
year = {2020}
}
备注
53 pages, 12 figures