癌症组织表征的对抗学习
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的组织病理学图像分析在增进对肿瘤进展、肿瘤微环境及其潜在生物学过程的理解方面展现出前景。迄今为止，这些方法集中于提取与标注相关的信息。本工作中，我们探究仅从组织架构本身可学到多少信息。我们提出一种对抗学习模型来提取癌症组织的特征表征，无需人工标注。我们表明这些表征能够识别跨越三种癌症类型（乳腺、结肠和肺）的多种形态学特征。这得到以下支持：1）潜空间中形态学特征的分离；2）利用潜表征通过逻辑回归分类组织类型的能力，其 AUC 为 0.97、准确率为 85%，可与有监督深度模型媲美；3）利用多示例学习（MIL）预测全切片图像（WSIs）中肿瘤存在的能力，达到 AUC 0.98 与 94% 准确率。我们的结果表明，我们的模型捕捉了真实组织样本的不同表型特征，为进一步理解肿瘤进展与肿瘤微环境铺平道路，并最终改进用于诊断与治疗的组织病理学分类。代码与预训练模型见：https://github.com/AdalbertoCq/Adversarial-learning-of-cancer-tissue-representations
引用
@article{arxiv.2108.02223,
title = {Adversarial learning of cancer tissue representations},
author = {Adalberto Claudio Quiros and Nicolas Coudray and Anna Yeaton and Wisuwat Sunhem and Roderick Murray-Smith and Aristotelis Tsirigos and Ke Yuan},
journal= {arXiv preprint arXiv:2108.02223},
year = {2021}
}
备注
Accepted for publication at MICCAI 2021