基于深度学习的计算病理学预测原发不明癌症的起源
组织与器官
2021-07-14 v2 机器学习
定量方法
摘要
原发不明癌症（CUP）是一组神秘的诊断，其肿瘤起源的解剖部位无法确定。这带来了重大挑战，因为现代疗法（如化疗方案与免疫检查点抑制剂）是针对原发肿瘤特定的。近期工作聚焦于利用基因组学与转录组学来鉴定肿瘤起源。然而，基因组检测并未对每位患者开展，且在资源匮乏环境中临床渗透不足。为此，为克服这些挑战，我们提出了一种基于深度学习的计算病理学算法——TOAD——可利用常规获取的组织学切片为 CUP 提供鉴别诊断。我们使用了 17,486 张已知原发部位、覆盖 18 个常见起源的十亿像素全切片图像，训练了一个多任务深度模型，以同时识别肿瘤为原发或转移并预测其起源部位。我们在 4,932 例已知原发部位的内部测试集上测试了模型，取得了 0.84 的 top-1 准确率与 0.94 的 top-3 准确率；而在来自 202 家不同医院的 662 例外部测试集上，其 top-1 与 top-3 准确率分别为 0.79 与 0.93。我们进一步整理了来自 151 家不同医疗中心的 717 例 CUP 病例，并识别出其中 290 例被分配了鉴别诊断的子集。我们的模型预测与其中 50% 的病例一致（经机会一致性校正后 \k{appa}=0.4），且 top-3 一致率为 75%。我们提出的方法可用作辅助工具，为复杂的转移性与 CUP 病例分配鉴别诊断，并可与免疫组化分析及广泛诊断排查联合或替代使用，以减少 CUP 的发生。
引用
@article{arxiv.2006.13932,
title = {Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary},
author = {Ming Y. Lu and Melissa Zhao and Maha Shady and Jana Lipkova and Tiffany Y. Chen and Drew F. K. Williamson and Faisal Mahmood},
journal= {arXiv preprint arXiv:2006.13932},
year = {2021}
}