从全切片图像到生物标志物预测：计算病理学中端到端深度学习协议
计算机视觉与模式识别
2023-12-19 v1
摘要
苏木精-伊红（H&E）染色的全切片图像是癌症诊断的基础。近年来，计算病理学中基于深度学习的方法的发展使得直接从 WSI 预测生物标志物成为可能。然而，在规模化条件下将组织表型准确关联到生物标志物仍然是精准肿瘤学中普及复杂生物标志物的关键挑战。本协议描述了病理学实体瘤关联建模的一个实用工作流程，该流程使用深度学习直接从 WSI 预测生物标志物。STAMP 工作流程与生物标志物无关，并允许将遗传和临床病理学表格数据作为附加输入与组织病理学图像一起包含。该协议由五个主要阶段组成，已成功应用于各种研究问题：形式化问题定义、数据预处理、建模、评估和临床转化。STAMP 工作流程的与众不同之处在于它专注于作为一个协作框架，供临床医生和工程师 alike 用于在计算病理学领域建立研究项目。作为示例任务，我们将 STAMP 应用于结直肠癌中微卫星不稳定性的预测，显示出对 MSI-high 肿瘤识别的准确性能。此外，我们提供了一个开源代码库，该代码库已在全球多家医院部署以建立计算病理学工作流程。STAMP 工作流程需要一个工作日的手动计算执行和基本的命令行知识。
引用
@article{arxiv.2312.10944,
title = {From Whole-slide Image to Biomarker Prediction: A Protocol for End-to-End Deep Learning in Computational Pathology},
author = {Omar S. M. El Nahhas and Marko van Treeck and Georg Wölflein and Michaela Unger and Marta Ligero and Tim Lenz and Sophia J. Wagner and Katherine J. Hewitt and Firas Khader and Sebastian Foersch and Daniel Truhn and Jakob Nikolas Kather},
journal= {arXiv preprint arXiv:2312.10944},
year = {2023}
}