基于深度学习的结直肠癌可解释生存预测
图像与视频处理
2022-03-31 v1 计算机视觉与模式识别
摘要
从基于深度学习的预后组织病理学模型中提取可解释的预后特征仍然是一项挑战。在本研究中，我们开发了一个深度学习系统（DLS），利用 3,652 个病例（27,300 张切片）预测 II 期和 III 期结直肠癌的疾病特异性生存期。在分别包含 1,239 个病例（9,340 张切片）和 738 个病例（7,140 张切片）的两个验证数据集上进行评估时，DLS 的 5 年疾病特异性生存期 AUC 分别达到了 0.70（95%CI 0.66-0.73）和 0.69（95%CI 0.64-0.72），并且为 9 项临床病理特征集增加了显著的预测价值。为了解释 DLS，我们探索了不同人类可解释特征解释 DLS 分数方差的能力。我们观察到，T 类别、N 类别和分级等临床病理特征仅解释了 DLS 分数方差的一小部分（两个验证集中 R2=18%）。接着，我们通过对基于深度学习的图像相似性模型的嵌入进行聚类，生成了人类可解释的组织学特征，并表明它们解释了大部分方差（R2 为 73% 至 80%）。此外，与高 DLS 分数关联最强的聚类衍生特征在单独使用时也具有很高的预后价值。该特征具有独特的视觉外观（邻近脂肪组织的低分化肿瘤细胞簇），标注者识别该特征的准确率达到 87.0-95.5%。我们的方法可用于解释预后深度学习模型的预测，并发现潜在的新型预后特征，供人们在未来的验证研究中可靠地识别。
引用
@article{arxiv.2011.08965,
title = {Interpretable Survival Prediction for Colorectal Cancer using Deep Learning},
author = {Ellery Wulczyn and David F. Steiner and Melissa Moran and Markus Plass and Robert Reihs and Fraser Tan and Isabelle Flament-Auvigne and Trissia Brown and Peter Regitnig and Po-Hsuan Cameron Chen and Narayan Hegde and Apaar Sadhwani and Robert MacDonald and Benny Ayalew and Greg S. Corrado and Lily H. Peng and Daniel Tse and Heimo Müller and Zhaoyang Xu and Yun Liu and Martin C. Stumpe and Kurt Zatloukal and Craig H. Mermel},
journal= {arXiv preprint arXiv:2011.08965},
year = {2022}
}