病理切片染色变化对prognostic预测的影响及颜色规范化
图像与视频处理
2024-09-16 v1 定量方法
摘要
近年来,深度神经网络(DNN)在病理学应用中展现出惊人的性能,甚至可能超过专家病理医师,其能够从大数据集中学习细微特征。准备数字病理数据集用于DNN任务的一个 complicating factor 是色素特性的差异。常见解决方法是对图像进行染色归一化。本研究表明,在应用染色归一化方法后,训练于一个批次组织片的良好训练的DNN模型仍无法推广到由相同组织块在不同时间制备的另一个批次。该研究使用来自先前报告的DNN的数据,该DNN能够基于H&E染色的原位肺癌(NCLC)患者的组织切片数字图像进行训练和测试,以识别其肿瘤是否发生转移,准确率很高。本研究获取了来自相同组织块相邻重切片的新组织片,这些组织片在同一实验室中但在不同时间加工。我们发现,训练于该批次切片/图像的DNN无法推广,且无法对其他批次的切片/图像进行预测(AUC_cross-batch=0.52-0.53,与AUC_same-batch=0.74-0.81相比)。即使在通过传统色调调节或借助CycleGAN染色归一化进行色差纠正后,泛化能力仍未提高。这一发现凸显了开发一种全新方法以处理和收集来自组织片的一致显微图像的必要性,该方法既可用于训练,也可用于预测DNN算法的实际应用。
引用
@article{arxiv.2409.08338,
title = {Impact of Stain Variation and Color Normalization for Prognostic Predictions in Pathology},
author = {Siyu and Lin and Haowen Zhou and Richard J. Cote and Mark Watson and Ramaswamy Govindan and Changhuei Yang},
journal= {arXiv preprint arXiv:2409.08338},
year = {2024}
}