MAg：一种基于学习的简单患者级聚合方法用于从全切片图像检测微卫星不稳定性
图像与视频处理
2022-01-14 v1 计算机视觉与模式识别
摘要
微卫星不稳定性（MSI）与微卫星稳定性（MSS）的预测在预测胃肠道癌的治疗反应和预后方面至关重要。临床实践中推荐进行普适的 MSI 检测，但此类检测的可及性有限。因此，亟需一种更具成本效益且广泛可及的工具以覆盖传统上未检测的患者。过去几年中，已有基于深度学习的算法被提出用于直接从苏木精和伊红（H&E）染色的全切片图像（WSIs）预测 MSI。这类算法可概括为 (1) 块级 MSI/MSS 预测，与 (2) 患者级聚合。相较于第一阶段所采用的先进深度学习方法，第二阶段仅使用了朴素的一阶统计量（如平均与计数）。本文中，我们提出一种简单但具有广泛泛化性的患者级 MSI 聚合（MAg）方法，以有效整合宝贵的块级信息。简言之，第一阶段完整的 probabilistic 分布被建模为基于直方图的特征，并通过机器学习（如 SVM）融合为最终结果。所提 MAg 方法可以即插即用的方式轻松使用，已在五个广泛使用的深度神经网络上评估：ResNet、MobileNetV2、EfficientNet、Dpn 和 ResNext。结果表明，所提 MAg 方法在两个公开数据集上一致提升了患者级聚合的准确性。我们希望所提方法能潜在地推动基于低成本 H&E 的 MSI 检测方法。我们的代码已公开于 https://github.com/Calvin-Pang/MAg。
引用
@article{arxiv.2201.04769,
title = {MAg: a simple learning-based patient-level aggregation method for detecting microsatellite instability from whole-slide images},
author = {Kaifeng Pang and Zuhayr Asad and Shilin Zhao and Yuankai Huo},
journal= {arXiv preprint arXiv:2201.04769},
year = {2022}
}