基于组织病理学图像和多目标切片选择的PAM50亚型分类深度学习流水线
计算机视觉与模式识别
2026-04-29 v4 人工智能
摘要
乳腺癌是一种具有多样化分子谱的高度异质性疾病。PAM50基因特征被广泛认可为将乳腺癌分类为内在亚型的标准，可实现更个性化的治疗策略。在本研究中，我们提出了一种新型优化驱动的深度学习框架，旨在通过直接从H&E染色全切片图像（WSIs）预测PAM50亚型来减少对昂贵的分子检测的依赖。我们的方法通过结合非支配排序遗传算法II（NSGA-II）与基于蒙特卡洛dropout的不确定性估计，联合优化切片信息量、空间多样性、不确定性和切片数量。所提方法能够识别出一个规模小但信息量丰富的切片子集用于分类。我们使用ResNet18骨干网络进行特征提取，并使用自定义CNN头进行分类。评估中，我们使用内部TCGA-BRCA数据集作为训练队列，外部CPTAC-BRCA数据集作为测试队列。在内部数据集上，使用TCGA-BRCA队列的627张WSIs实现了0.8812的F1分数和0.9841的AUC。在外部验证数据集上，所提方法的性能显示F1分数为0.7952，AUC为0.9512。这些结果表明，所提出的优化引导、不确定性感知的切片选择方法能够实现高性能，并提高基于组织病理学的PAM50分类的计算效率，与现有方法相比具有优势，暗示了一种有可能支持临床决策的可扩展的基于成像的替代方案。
引用
@article{arxiv.2604.01798,
title = {A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection},
author = {Arezoo Borji and Gernot Kronreif and Bernhard Angermayr and Francisco Mario Calisto and Ali Abbasian Ardakani and Wolfgang Birkfellner and Inna Servetnyk and Yinyin Yuan and Sepideh Hatamikia},
journal= {arXiv preprint arXiv:2604.01798},
year = {2026}
}