一种用于全切片图像中肿瘤浸润淋巴细胞定量的实用机器学习方法
图像与视频处理
2022-06-24 v1 计算机视觉与模式识别
定量方法
摘要
癌症组织中肿瘤浸润淋巴细胞（TILs）水平升高预示多种癌症的良好预后。对病理医生而言，免疫细胞的手动定量既不准确又耗时。我们的目标是利用计算方案自动定量肺癌患者标准诊断性苏木精-伊红染色切片（H&E 切片）全切片图像（WSIs）中的 TILs。我们的方法是将一个在公开数据上训练、用于 H&E 切片中细胞核分割与分类的开源机器学习方法迁移至 TIL 定量，而无需对我们数据手动标注。结果表明，当在少量样本/有限组织类型上训练时，额外的数据增强可改善模型可迁移性。在充足样本/组织类型上训练的模型未从我们的额外增强策略中获益。此外，所得 TIL 定量与患者预后相关，且优于当前非小细胞肺癌中免疫细胞检测的最先进方法（当前标准 DAB 染色 TMA 中 CD8 细胞 HR 0.34 95% CI 0.17-0.68，对比 H&E WSI 中 TILs：HoVer-Net PanNuke Aug 模型 HR 0.30 95% CI 0.15-0.60，HoVer-Net MoNuSAC Aug 模型 HR 0.27 95% CI 0.14-0.53）。我们进一步实现了基于云的系统，用于 H&E 切片机器学习标注的训练、部署与可视化检查。我们的实用方法弥合了机器学习研究、转化临床研究及临床实施间的鸿沟。然而，仍需在前瞻性研究中验证以确认该方法在临床环境中的有效性。
引用
@article{arxiv.2202.06590,
title = {A Pragmatic Machine Learning Approach to Quantify Tumor Infiltrating Lymphocytes in Whole Slide Images},
author = {Nikita Shvetsov and Morten Grønnesby and Edvard Pedersen and Kajsa Møllersen and Lill-Tove Rasmussen Busund and Ruth Schwienbacher and Lars Ailo Bongo and Thomas K. Kilvaer},
journal= {arXiv preprint arXiv:2202.06590},
year = {2022}
}
备注
19 pages, 5 figures, 2 tables, 11 supplementary pages