用于非小细胞肺癌组织针吸活检中 PD-L1 肿瘤细胞评分的深度学习半监督生成方法
计算机视觉与模式识别
2018-12-03 v1
摘要
免疫组织化学(IHC)检测中 PD-L1 的表达水平是识别可能对抗 PD-1/PD-L1 治疗产生应答的非小细胞肺癌(NSCLC)患者的关键生物标志物。目前 PD-L1 表达的量化包括由病理学家对肿瘤细胞(TC)评分进行视觉估计,即评估 PD-L1 阳性与 PD-L1 阴性肿瘤细胞的比例。已知挑战如临床相关截断值附近阳性估计的差异以及样本质量欠佳,使得视觉评分繁琐且主观,导致病理学家之间的评分变异性。在本工作中,我们提出了一种新颖的深度学习方案,首次实现对晚期 NSCLC 针吸活检中 PD-L1 表达的自动化、客观评分。为应对活检图像中可用组织量少的问题并限制训练所需的手动标注量,我们探索了相对于标准全监督方法的半监督方法的使用。我们整合了用于训练的手动标注以及用于多位病理学家定量评估的视觉 TC 评分。在训练期间未见过的一组切片上计算的一致性度量提供了证据,表明我们的自动评分方法在所考虑的数据集上匹配视觉评分,同时确保了可重复性与客观性。
引用
@article{arxiv.1806.11036,
title = {Deep Semi Supervised Generative Learning for Automated PD-L1 Tumor Cell Scoring on NSCLC Tissue Needle Biopsies},
author = {Ansh Kapil and Armin Meier and Aleksandra Zuraw and Keith Steele and Marlon Rebelatto and Günter Schmidt and Nicolas Brieu},
journal= {arXiv preprint arXiv:1806.11036},
year = {2018}
}
备注
10 pages, 7 figures, 3 tables, submited to Scientific Reports on 28 June 2018