基于对比学习的计算组织病理学预测癌症驱动基因的差异表达
计算机视觉与模式识别
2022-04-28 v2
摘要
数字病理分析是癌症诊断的主要检查手段。近年来，从病理图像中由深度学习驱动的特征提取能够检测遗传变异和肿瘤微环境，但很少有研究关注肿瘤细胞的差异基因表达。本文中，我们提出一种自监督对比学习框架 HistCode，用于从全切片图像（WSIs）推断差异基因表达。我们利用大规模无标注 WSI 上的对比学习在潜空间中导出切片级组织病理学特征，并将其迁移至肿瘤诊断与差异表达癌症驱动基因的预测。我们广泛的实验表明，我们的方法在肿瘤诊断任务上优于其他最先进的模型，并且有效预测了差异基因表达。有趣的是，我们发现倍数变化更高的基因可以被更精确地预测。为了直观展示从病理图像中提取信息性特征的能力，我们按图像块注意力分数着色对 WSI 进行了空间可视化。我们发现肿瘤与坏死区域与经验丰富的病理学家的标注高度一致。此外，由淋巴细胞特异性基因表达模式生成的空间热图也与人工标注的 WSI 一致。
引用
@article{arxiv.2204.11994,
title = {Contrastive learning-based computational histopathology predict differential expression of cancer driver genes},
author = {Haojie Huang and Gongming Zhou and Xuejun Liu and Lei Deng and Chen Wu and Dachuan Zhang and Hui Liu},
journal= {arXiv preprint arXiv:2204.11994},
year = {2022}
}