病理图像的计算分析实现微卫星不稳定性的可解释预测
机器学习
2020-10-08 v1 机器学习
摘要
微卫星不稳定性（MSI）与多种肿瘤类型相关，其状态在指导患者治疗决策中日益重要。然而在临床实践中，区分MSI与其对应状态具有挑战性，因为MSI诊断需要额外的基因或免疫组化检测。本研究建立了可解释的病理图像分析策略，以帮助医学专家自动识别MSI。这些策略仅需普遍可用的苏木精-伊红染色全切片图像，并能在从癌症基因组图谱获取的三个队列中取得良好性能。策略在两方面提供可解释性：一方面，基于深度学习网络生成重要区域的定位热图实现图像级可解释性；另一方面，通过特征重要性和病理特征交互分析实现特征级可解释性。更有趣的是，从图像级和特征级可解释性均显示，颜色特征和纹理特征对MSI预测贡献最大。因此，所提策略下的分类模型不仅可作为预测患者MSI状态的高效工具，也为病理学家提供临床理解上的更多见解。
引用
@article{arxiv.2010.03130,
title = {Computational analysis of pathological image enables interpretable prediction for microsatellite instability},
author = {Jin Zhu and Wangwei Wu and Yuting Zhang and Shiyun Lin and Yukang Jiang and Ruixian Liu and Xueqin Wang},
journal= {arXiv preprint arXiv:2010.03130},
year = {2020}
}