基于全Transformer的结直肠癌组织学 biomarker 预测：一项大规模多中心研究
计算机视觉与模式识别
2023-03-02 v2
摘要
背景：深度学习(DL)可从结直肠癌常规病理切片中提取预测与预后 biomarker。例如，用于结直肠癌微卫星不稳定(MSI)诊断的DL检测已于2022年获批。当前方法依赖卷积神经网络(CNNs)。Transformer网络正超越CNNs并在许多应用中取代它们，但尚未大规模用于癌症 biomarker 预测。此外，多数DL方法在小患者队列上训练，限制了临床效用。方法：本研究开发了用于从病理切片端到端 biomarker 预测的新型全Transformer流程。我们结合预训练Transformer编码器与用于补丁聚合的Transformer网络，能够在患者层面给出单目标与多目标预测。我们在来自10个结直肠癌队列的逾9,000名患者上训练流程。结果：与当前最先进算法相比，全Transformer方法大幅提升了性能、泛化性、数据效率与可解释性。在大规模多中心队列训练后，我们对手术标本MSI预测达到0.97灵敏度与0.99阴性预测值。我们首次证明仅用切除标本训练可在内镜活检组织上达到临床级性能，解决了长期存在的诊断难题。解读：在数千张病理切片上训练的全Transformer端到端流程，对切除与活检标本的 biomarker 预测均达临床级性能。我们的新方法基于开源许可免费提供。
引用
@article{arxiv.2301.09617,
title = {Fully transformer-based biomarker prediction from colorectal cancer histology: a large-scale multicentric study},
author = {Sophia J. Wagner and Daniel Reisenbüchler and Nicholas P. West and Jan Moritz Niehues and Gregory Patrick Veldhuizen and Philip Quirke and Heike I. Grabsch and Piet A. van den Brandt and Gordon G. A. Hutchins and Susan D. Richman and Tanwei Yuan and Rupert Langer and Josien Christina Anna Jenniskens and Kelly Offermans and Wolfram Mueller and Richard Gray and Stephen B. Gruber and Joel K. Greenson and Gad Rennert and Joseph D. Bonner and Daniel Schmolze and Jacqueline A. James and Maurice B. Loughrey and Manuel Salto-Tellez and Hermann Brenner and Michael Hoffmeister and Daniel Truhn and Julia A. Schnabel and Melanie Boxberg and Tingying Peng and Jakob Nikolas Kather},
journal= {arXiv preprint arXiv:2301.09617},
year = {2023}
}
备注
Updated Figure 2 and Table A.5