利用深度学习从肺活检图像预测 EGFR 突变
计算机视觉与模式识别
2023-03-14 v3 人工智能
机器学习
摘要
肺癌治疗中靶向治疗的标化诊断流程包括组织学亚型分类及随后检测关键驱动突变（如 EGFR）。尽管分子分型可揭示驱动突变，但该过程通常昂贵且耗时。面向深度学习的图像分析提供了一种更经济的替代方案，可直接从全切片图像（WSIs）中发现驱动突变。本工作中，我们使用带弱监督的定制深度学习流程，从苏木精-伊红染色的 WSIs 中识别 EGFR 突变的形态学相关特征，同时检测肿瘤并对其进行组织学亚型分类。我们通过在两个肺癌数据集——TCGA 和来自印度的私有数据集——上进行严谨实验与消融研究，证明了流程的有效性。借助我们的流程，在 TCGA 数据集上肿瘤检测的曲线下面积（AUC）平均达 0.964，腺癌与鳞癌组织学亚型分类 AUC 平均达 0.942。对于 EGFR 检测，我们在 TCGA 数据集上平均 AUC 为 0.864，在印度数据集上为 0.783。我们的关键经验如下：首先，若将在目标数据集上微调特征提取器，则使用在组织学上预训练的特征提取器层并无特别优势；其次，选取高细胞密度、 presumed 捕获肿瘤区域的图像块并非总是有益，因为疾病类别的信号可能存在于肿瘤邻近间质中。
引用
@article{arxiv.2208.12506,
title = {EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning},
author = {Ravi Kant Gupta and Shivani Nandgaonkar and Nikhil Cherian Kurian and Swapnil Rane and Amit Sethi},
journal= {arXiv preprint arXiv:2208.12506},
year = {2023}
}
备注
We need to improve