面向可部署数字病理学的轻量级多癌症肿瘤定位框架

准确地从血管小梭图像中定位肿瘤区域是翻译性研究的基本任务，包括空间分析、分子分型和组织结构探讨。然而，基于深度学习的肿瘤检测模型在特定癌症类型上训练后，可能在应用于不同肿瘤类型时表现出降低的鲁棒性。我们研究了在适度规模下的跨癌症平衡训练是否能够实现高性能并泛化到未见的肿瘤类型。我们训练了一个多癌症肿瘤定位模型（MuCTaL），使用DenseNet169进行迁移学习，在四种癌症（黑色素瘤、肝细胞癌、结直肠癌和非小细胞肺癌）上训练了79,984个非重叠的图像块。该模型在四个训练癌症的验证数据上实现了0.97的图像块级ROC-AUC，在独立的胰腺管状腺癌队列上实现了0.71。我们构建了一个可扩展的推理工作流程，用于生成与现有数字病理工具兼容的空间肿瘤概率热图。代码和模型已公开提供于https://github.com/AivaraX-AI/MuCTaL。