基于机器学习的拉曼化学成像与数字组织病理学特征融合用于前列腺癌检测
图像与视频处理
2021-09-15 v1 机器学习
定量方法
摘要
前列腺癌因其表现的异质性而难以诊断，导致对非临床重要疾病的过度诊断与治疗。准确的诊断可直接改善患者的生活质量与预后。为解决此问题，我们提出了一种用于前列腺癌自动识别的学习模型。尽管许多前列腺癌研究已采用拉曼光谱方法，但尚无研究利用拉曼化学成像（RCI）与其他成像模态的组合。本研究使用由染色数字组织病理学（DP）与未染色 RCI 构成的多模态图像。该方法在来自 32 名患者的 178 个临床样本集上开发与测试，包含一系列非癌、Gleason 3 级（G3）和 4 级（G4）组织微阵列样本。每个组织学样本均有一对病理医生标注的 DP-RCI 图像。所检验的假设是多模态图像模型能否在诊断准确率上优于单模态基线模型。我们研究了非癌/癌的二分类模型以及更具挑战性的 G3/G4 区分。在 G3/G4 分类方面，多模态方法达到了 73.8% 的灵敏度与 88.1% 的特异度，而基线 DP 模型分别为 54.1% 与 84.7%。多模态方法相较基线具有统计显著的 12.7% AUC 优势，其值为 85.8% 对比 73.1%，同时也优于仅基于 RCI 与中值拉曼谱的模型。DP 与 RCI 的特征融合并未改善更简单的肿瘤识别任务，但在 G3/G4 判别中确实带来了可观的优势。基于这些有前景的发现，未来工作可包括获取更大数据集以增强模型泛化能力。
引用
@article{arxiv.2101.07342,
title = {Feature Fusion of Raman Chemical Imaging and Digital Histopathology using Machine Learning for Prostate Cancer Detection},
author = {Trevor Doherty and Susan McKeever and Nebras Al-Attar and Tiarnan Murphy and Claudia Aura and Arman Rahman and Amanda O'Neill and Stephen P Finn and Elaine Kay and William M. Gallagher and R. William G. Watson and Aoife Gowen and Patrick Jackman},
journal= {arXiv preprint arXiv:2101.07342},
year = {2021}
}
备注
19 pages, 8 tables, 18 figures