基于自监督学习的肺鳞状细胞癌复发可解释预测
计算机视觉与模式识别
2023-02-09 v1
摘要
肺鳞状细胞癌（LSCC）具有较高的复发和转移率。目前影响复发和转移的因素尚不清楚，且尚无明确的组织病理学或形态学特征可指示 LSCC 的复发和转移风险。我们的研究聚焦于基于 H&E 染色的组织病理学全切片图像（WSI）的 LSCC 复发预测。由于具有可用复发信息的 LSCC 患者队列规模较小，使用多种卷积神经网络进行该任务的标准端到端学习往往容易过拟合。此外，这些模型做出的预测难以解释。组织病理学 WSI 通常非常大，因此被处理为一组较小的图块。在本工作中，我们提出一种新颖的条件自监督学习（SSL）方法，首先在图块级别学习 WSI 的表示，并利用聚类算法识别具有相似组织病理学表示的图块。自监督得到的表示与聚类结果被用作患者级别复发预测的生存模型特征。使用来自 TCGA 和 CPTAC 的两个公开数据集，我们表明我们的 LSCC 复发预测生存模型优于基于 LSCC 病理分期的方法及多示例学习等机器学习基线。所提方法还使我们能够通过所得聚类解释复发的组织病理学风险因素，这有助于病理学家推导出关于与 LSCC 复发相关的形态学特征的新假设。
引用
@article{arxiv.2203.12204,
title = {Interpretable Prediction of Lung Squamous Cell Carcinoma Recurrence With Self-supervised Learning},
author = {Weicheng Zhu and Carlos Fernandez-Granda and Narges Razavian},
journal= {arXiv preprint arXiv:2203.12204},
year = {2023}
}