基于组织病理图像脑膜瘤的自动可解释分级

脑膜瘤是成人中最普遍的脑肿瘤之一。为确定其恶性程度，病理学家依据 WHO 标准将其分为三级。该分级在治疗中具有决定性作用，但可能存在评级者间不一致。本工作中，我们提出并比较了三种从组织学全切片图像进行全自动脑膜瘤分级的方法。所有方法均遵循两阶段范式：首先使用最先进的物体检测深度学习网络通过检测切片中的有丝分裂象来确定感兴趣区域。这一有丝分裂率最高的区域被视为肿瘤生物学行为的特征。第二阶段，我们使用三种不同设定基于该区域所含信息计算对应于肿瘤恶性的分数。在第一种方法中，从该区域采样图像块，并基于 ResNet 架构网络编码的形态学特征进行回归。我们将其与从确定的有丝分裂计数学习逻辑回归进行比较，后者易于追踪与解释。最后，我们将两种方法结合于单一网络中。我们在来自 341 名患者的 951 张切片上训练该流程，并在来自 43 名患者的独立 141 张切片集上评估。所有方法均与 WHO 分级高度相关。逻辑回归与组合方法在实验中结果最佳，分别正确预测全部病例中的 32 和 33 例，而基于图像的方法仅正确预测 25 例。Spearman 相关系数分别为 0.716、0.792 和 0.790。图像块提供的形态学特征未改善模型性能起初看似反直觉。然而，这反映了分级方案的标准，其中有丝分裂计数是唯一明确的参数。