基于深度分布的多示例学习用于结直肠癌生存预测
图像与视频处理
2022-11-30 v2 计算机视觉与模式识别
摘要
已有若干深度学习算法被开发用于利用全切片图像（WSIs）预测癌症患者的生存情况。然而，对于临床医生和深度学习算法而言，识别 WSI 中与患者生存和疾病进展相关的图像表型均十分困难。大多数用于生存预测的基于深度学习的多示例学习（MIL）算法使用顶部实例（如最大池化）或顶部/底部实例（如 MesoNet）来识别图像表型。在本研究中，我们假设 WSI 内补丁得分分布的全局信息能更好地预测癌症生存。我们开发了基于分布的多示例生存学习算法（DeepDisMISL）以验证该假设。我们使用两个大型国际结直肠癌 WSI 数据集——MCO CRC 和 TCGA COAD-READ——设计并执行了实验。我们的结果表明，关于 WSI 补丁得分分布的信息越多，预测性能越好。在每个所选分布位置（如百分位数）周围包含多个邻域实例可进一步改善预测。DeepDisMISL 相较于其他近期发表的先进算法表现出更优的预测能力。此外，我们的算法具有可解释性，可辅助理解癌症形态表型与患者癌症生存风险之间的关系。
引用
@article{arxiv.2204.11294,
title = {Colorectal cancer survival prediction using deep distribution based multiple-instance learning},
author = {Xingyu Li and Jitendra Jonnagaddala and Min Cen and Hong Zhang and Xu Steven Xu},
journal= {arXiv preprint arXiv:2204.11294},
year = {2022}
}