用于乳腺癌组织微阵列的端到端深度学习组织化学评分系统
计算机视觉与模式识别
2019-01-15 v1
摘要
对乳腺癌不同分子类别进行分层的方法之一是Nottingham预后指数Plus(NPI+)，其利用乳腺癌相关生物标志物对制备于组织微阵列(TMA)上的肿瘤组织进行染色。为确定肿瘤分子类别，病理学家须通过显微镜手动标记细胞核活性生物标志物，并采用半定量评估方法为每个TMA芯分配组织化学评分(H-Score)。手动标记阳性染色细胞核是一个耗时、不精确且主观的过程，会导致观察者间与观察者内的差异。本文提出一种端到端深度学习系统，可直接自动预测H-Score。我们的系统模仿病理学家的决策过程，使用一个全卷积网络(FCN)提取所有细胞核区域(肿瘤与非肿瘤)，第二个FCN提取肿瘤细胞核区域，以及一个多列卷积神经网络将前两个FCN的输出与染色强度描述图像作为输入，并作为高层决策机制直接输出输入TMA图像的H-Score。据我们所知，这是首个以TMA图像为输入并直接输出临床评分的端到端系统。我们将展示实验结果，表明我们的模型预测的H-Score与经验丰富的病理学家评分具有极高且统计显著的关联性，且算法与病理学家间的H-Score差异与病理学家之间的主体间差异相当。
引用
@article{arxiv.1801.06288,
title = {An End-to-End Deep Learning Histochemical Scoring System for Breast Cancer Tissue Microarray},
author = {Jingxin Liu and Bolei Xu and Chi Zheng and Yuanhao Gong and Jon Garibaldi and Daniele Soria and Andew Green and Ian O. Ellis and Wenbin Zou and Guoping Qiu},
journal= {arXiv preprint arXiv:1801.06288},
year = {2019}
}