联合多任务学习改进计算病理学中的弱监督生物标志物预测
图像与视频处理
2024-03-07 v1 计算机视觉与模式识别
机器学习
摘要
深度学习（DL）可以在弱监督设置下直接从数字化的癌症组织学中预测生物标志物。最近，通过基于回归的 DL 预测连续生物标志物引起了越来越多的兴趣。然而，临床决策通常需要分类结果。因此，我们开发了一种弱监督联合多任务 Transformer 架构，该架构在四个公共患者队列上进行了训练和评估，用于预测两个关键预测性生物标志物：微卫星不稳定性（MSI）和同源重组缺陷（HRD），并使用与肿瘤微环境相关的辅助回归任务进行训练。此外，我们对计算病理学中弱监督联合多任务学习的 16 种任务平衡方法进行了全面的基准测试。使用我们的新方法，我们在外部队列中对 MSI 和 HRD 的预测中，受试者工作特征曲线下面积（AUC）分别比最先进方法提高了 +7.7% 和 +4.1%，并且潜在嵌入的聚类效果分别提高了 +8% 和 +5%。
引用
@article{arxiv.2403.03891,
title = {Joint multi-task learning improves weakly-supervised biomarker prediction in computational pathology},
author = {Omar S. M. El Nahhas and Georg Wölflein and Marta Ligero and Tim Lenz and Marko van Treeck and Firas Khader and Daniel Truhn and Jakob Nikolas Kather},
journal= {arXiv preprint arXiv:2403.03891},
year = {2024}
}