CellOMaps：用于肺腺癌生长模式鲁棒分类的紧凑表示
图像与视频处理
2025-01-15 v1 计算机视觉与模式识别
摘要
肺腺癌（LUAD）是一种形态异质的疾病，由五种主要组织学生长模式组成。对这些模式的分类至关重要，因为它们直接关系到预后，但高主观性和观察者变异性构成了主要挑战。尽管已有多项研究开发了机器学习方法进行生长模式分类，但要么仅报告每块切片的 predominant 模式，要么缺乏proper评估。我们提出一种通用可分类肺组织的机器学习管线，能够将其分类为五种模式之一或非肿瘤。该管线的优势在于一种新型紧凑细胞组织图（Cell Organization Maps, cellOMaps）表示，能够从肠核染色和碘甲烷全切片图像（Whole Slide Images, WSIs）中捕捉细胞的空间模式。该管线在LUAD生长模式分类中提供了当代性能，无论是在内部不可见切片还是外部数据集上均显著优于当前方法。此外，我们的初步结果表明，该模型的输出可用于预测患者的肿瘤突变负荷（Tumor Mutational Burden, TMB）水平。
引用
@article{arxiv.2501.08094,
title = {CellOMaps: A Compact Representation for Robust Classification of Lung Adenocarcinoma Growth Patterns},
author = {Arwa Al-Rubaian and Gozde N. Gunesli and Wajd A. Althakfi and Ayesha Azam and David Snead and Nasir M. Rajpoot and Shan E Ahmed Raza},
journal= {arXiv preprint arXiv:2501.08094},
year = {2025}
}