通过弱监督约束深度学习方法评估临床指南实现可解释的 HER2 评分
图像与视频处理
2022-11-18 v1 计算机视觉与模式识别
摘要
人表皮生长因子受体 2(HER2)表达的评估是乳腺癌治疗选择的重要预后生物标志物。然而，由于各中心间染色差异以及需要肉眼估计肿瘤区域特定百分比内的染色强度，HER2 评分以观察者间变异性高而著称。本文着眼于病理医生对 HER2 评分的可解释性，提出了一种半自动两阶段深度学习方法，直接评估由美国临床肿瘤学会/美国病理学家协会(ASCO/CAP)定义的临床 HER2 指南。第一阶段，我们在用户指示的兴趣区域(ROI)上分割浸润性肿瘤。随后在第二阶段，我们将肿瘤组织分类为四个 HER2 类别。在分类阶段，我们使用弱监督约束优化来寻找一个对癌性图块进行分类的模型，使得肿瘤表面百分比满足各 HER2 类别的指南规范。我们在第二阶段末尾冻结模型，并以监督方式用训练集中所有切片标签细化其输出 logits。为确保数据集标签质量，我们进行了多病理医生 HER2 评分共识。对于未达成共识的可疑病例评估，我们的模型可通过解释其 HER2 类别百分比输出来提供帮助。我们在测试集上取得了 0.78 的 F1 分数，同时保持模型对病理医生的可解释性，期望为数字病理学中的可解释 AI 模型做出贡献。
引用
@article{arxiv.2211.09559,
title = {Interpretable HER2 scoring by evaluating clinical Guidelines through a weakly supervised, constrained Deep Learning Approach},
author = {Manh Dan Pham and Cyprien Tilmant and Stéphanie Petit and Isabelle Salmon and Saima Ben Hadj and Rutger H. J. Fick},
journal= {arXiv preprint arXiv:2211.09559},
year = {2022}
}
备注
Submitted to Elsevier