利用无标签无标注病理切片上的自监督学习绘制组织形态学癌症表型图谱
计算机视觉与模式识别
2023-09-04 v3 机器学习
摘要
癌症的确诊与诊疗依赖于病理学家从显微镜图像中提取信息。这些图像包含复杂信息，需耗费时间的专家人工判读且易受人类偏倚影响。有监督深度学习在分类任务上已被证明十分强大，但其固有受限于用于训练模型的标注成本与质量。为突破有监督方法的这一局限，我们开发了组织形态学表型学习（HPL），一种完全自监督的方法，无需专家标签或标注，并通过在小图像块中自动发现判别性图像特征来运作。图像块被分组为形态相似的簇，构成组织形态学表型库，经由炎症与反应性表型揭示从良性到恶性组织的轨迹。这些簇具有可用正交方法识别的独有特征，将组织学、分子与临床表型相关联。应用于肺癌组织时，我们显示其与患者生存、组织病理学公认的肿瘤类型与生长模式，以及免疫表型的转录组学度量紧密对齐。随后我们证明这些性质在多癌种研究中得以保持。这些结果表明该簇代表了自然选择下涌现的复发性宿主反应与肿瘤生长模式。代码、预训练模型、习得嵌入与文档已在 https://github.com/AdalbertoCq/Histomorphological-Phenotype-Learning 向社区开放。
引用
@article{arxiv.2205.01931,
title = {Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides},
author = {Adalberto Claudio Quiros and Nicolas Coudray and Anna Yeaton and Xinyu Yang and Bojing Liu and Hortense Le and Luis Chiriboga and Afreen Karimkhan and Navneet Narula and David A. Moore and Christopher Y. Park and Harvey Pass and Andre L. Moreira and John Le Quesne and Aristotelis Tsirigos and Ke Yuan},
journal= {arXiv preprint arXiv:2205.01931},
year = {2023}
}