EPIC-Survival：用于生存分析的自端到端部件推断聚类，兼具预后分层提升
计算机视觉与模式识别
2021-07-12 v3
摘要
基于组织病理学的生存建模有两个主要障碍。首先，如果性能良好的生存模型不能将癌症患者队列分层为不同的风险组（最好由组织学形态驱动），则其临床应用极小。在临床环境中，个体不被给予特定的预后预测，而是被预测处于具有一般生存趋势的风险组中。因此，生存模型产生良好分层的风险组是必要的。其次，迄今为止，生存建模以两阶段方法（编码与聚合）进行。由于数据处理的技术限制，数字化全切片图像中的海量像素从未被充分利用，迫使解耦学习。EPIC-Survival将编码与聚合桥接为端到端生存建模方法，同时引入分层提升以鼓励模型不仅优化排序，而且区分风险组。在本研究中，我们展示EPIC-Survival在建模肝内胆管癌（一种历史上难以建模的癌症）方面优于其他方法。此外，我们展示分层提升进一步提升了模型性能，在留出测试集上获得了0.880的一致性指数。最后，我们能够在低风险与高风险组之间识别出ICC中不常被关注的特定组织学差异。
引用
@article{arxiv.2101.11085,
title = {EPIC-Survival: End-to-end Part Inferred Clustering for Survival Analysis, Featuring Prognostic Stratification Boosting},
author = {Hassan Muhammad and Chensu Xie and Carlie S. Sigel and Michael Doukas and Lindsay Alpert and William R. Jarnagin and Amber Simpson and Thomas J. Fuchs},
journal= {arXiv preprint arXiv:2101.11085},
year = {2021}
}
备注
co-first authors: Hassan Muhammad and Chensu Xie