DPSeq：一种基于 Sequencer 架构预测癌症生物标志物的新颖高效数字病理分类器
图像与视频处理
2023-05-04 v1 计算机视觉与模式识别
机器学习
摘要
在数字病理任务中，Transformer 已取得最先进的结果，超越了卷积神经网络（CNN）。然而，Transformer 通常结构复杂且资源密集。在本研究中，我们开发了一种新颖高效的数字病理分类器 DPSeq，通过微调集成水平与垂直双向长短期记忆（BiLSTM）网络的 sequencer 架构来预测癌症生物标志物。利用来自两个国际数据集——癌症基因组图谱（TCGA）与分子与细胞肿瘤学（MCO）——的结直肠癌（CRC）苏木精和伊红（H&E）染色组织病理学图像，我们在系列实验中评估了 DPSeq 的预测性能。DPSeq 在预测 CRC 关键生物标志物（MSI 状态、高突变、CIMP 状态、BRAF 突变、TP53 突变和染色体不稳定性[CING]）方面表现出卓越性能，在队列内内部验证和跨队列外部验证中均优于大多数已发表的最先进分类器。此外，在使用相同训练与测试数据集的相同实验条件下，DPSeq 超越了 4 种 CNN（ResNet18、ResNet50、MobileNetV2 和 EfficientNet）和 2 种 Transformer（ViT 和 Swin-T）模型，在预测 MSI 状态、BRAF 突变和 CIMP 状态上取得了最高的 AUROC 和 AUPRC 值。而且，由于其简洁的架构，DPSeq 在训练和预测上所需时间更少。因此，在预测癌症生物标志物方面，DPSeq 似乎是优于 Transformer 和 CNN 模型的首选。
引用
@article{arxiv.2305.01968,
title = {DPSeq: A Novel and Efficient Digital Pathology Classifier for Predicting Cancer Biomarkers using Sequencer Architecture},
author = {Min Cen and Xingyu Li and Bangwei Guo and Jitendra Jonnagaddala and Hong Zhang and Xu Steven Xu},
journal= {arXiv preprint arXiv:2305.01968},
year = {2023}
}