分而治之：用于结直肠癌生存分析的自监督学习
图像与视频处理
2020-07-08 v1 计算机视觉与模式识别
摘要
随着结直肠癌（CRC）发病率的长期快速增长，临床上有迫切需求以改善风险分层。常规病理报告通常仅限于少数组织病理学特征，然而大多数用于描述侵袭性肿瘤行为模式肿瘤微环境被忽略。本工作中，我们旨在学习癌组织区域内的组织病理学模式，以用于改善结直肠癌的预后分层。为此，我们提出一种自监督学习方法，联合学习组织区域表示以及聚类的度量以获取其潜在模式。这些组织病理学模式随后被用于表征复杂组织间的相互作用并直接预测临床结局。我们进一步表明，所提方法可受益于线性预测器，从而在患者结局预测中避免过拟合。为此，我们引入了一个新近充分表征的临床病理数据集，包含374例患者的回顾性队列及其生存时间与治疗信息。通过训练生存模型对我们方法所得的组织形态学聚类进行评估。实验结果表明了统计学显著的患者分层，且我们的方法优于最先进的深度聚类方法。
引用
@article{arxiv.2007.03292,
title = {Divide-and-Rule: Self-Supervised Learning for Survival Analysis in Colorectal Cancer},
author = {Christian Abbet and Inti Zlobec and Behzad Bozorgtabar and Jean-Philippe Thiran},
journal= {arXiv preprint arXiv:2007.03292},
year = {2020}
}