通过方差池化将肿瘤内异质性纳入弱监督深度学习模型
图像与视频处理
2022-11-22 v2 计算机视觉与模式识别
机器学习
统计方法学
摘要
从十亿像素级全切片图像 (WSI) 进行癌症生存预测等监督学习任务是计算病理学中的一个关键挑战，需要对肿瘤微环境的复杂特征进行建模。这些学习任务通常通过深度多实例学习 (MIL) 模型来解决，但这些模型并未显式捕获肿瘤内异质性。我们开发了一种新颖的方差池化架构，使 MIL 模型能够将肿瘤内异质性纳入其预测。我们展示了两种基于代表性图块的可解释性工具，用以探查这些模型捕获的生物信号。一项利用来自癌症基因组图谱的 4,479 张十亿像素级 WSI 进行的实证研究表明，在 MIL 框架上添加方差池化可提升五种癌症类型的生存预测性能。
引用
@article{arxiv.2206.08885,
title = {Incorporating intratumoral heterogeneity into weakly-supervised deep learning models via variance pooling},
author = {Iain Carmichael and Andrew H. Song and Richard J. Chen and Drew F. K. Williamson and Tiffany Y. Chen and Faisal Mahmood},
journal= {arXiv preprint arXiv:2206.08885},
year = {2022}
}
备注
MICCAI 2022