基于图像的数字病理中分子改变的端到端学习检测
计算机视觉与模式识别
2022-07-20 v2 图像与视频处理
定量方法
摘要
当前数字病理中全切片图像（WSI）分类的方法主要利用两阶段学习流程。第一阶段识别感兴趣区域（例如肿瘤组织），第二阶段以监督方式处理来自这些区域的裁剪图块。在推理时，大量图块被组合为整张切片的统一预测。此类方法的一个主要缺陷是需要任务特定的辅助标签，而临床常规中并不获取这些标签。我们提出了一种可用于端到端训练且不需要任何辅助标注的WSI分类新学习流程。我们将该方法应用于预测多种不同用例中的分子改变，包括结直肠癌中微卫星不稳定性的检测，以及基于The Cancer Genome Atlas的结肠、肺和乳腺癌病例中特定突变的预测。结果达到高达94%的AUC分数，并证明与最先进的两阶段流程具有竞争力。我们相信我们的方法能够促进数字病理的未来研究，并有助于解决围绕癌症表型预测的大量问题，有望在未来为更多患者实现个性化治疗。
引用
@article{arxiv.2207.00095,
title = {End-to-end Learning for Image-based Detection of Molecular Alterations in Digital Pathology},
author = {Marvin Teichmann and Andre Aichert and Hanibal Bohnenberger and Philipp Ströbel and Tobias Heimann},
journal= {arXiv preprint arXiv:2207.00095},
year = {2022}
}
备注
MICCAI 2022; 8.5 Pages, 4 Figures