基于多模态后验抽样的 PD-L1 分割不确定性评估——来自 H&E 图像
计算机视觉与模式识别
2025-11-17 v1 定量方法
摘要
准确评估 PD-L1 表达对于指导免疫疗法至关重要，但当前基于免疫组织化学（IHC）的方法代价高昂。我们提出了 nnUNet-B：一个基于多模态后验抽样（MPS）的贝叶斯分割框架，可直接从 H&E 染色组织学图像中推断 PD-L1 表达。该方法基于 nnUNet-v2，在循环训练期间对不同模型检查点进行采样，以近似后验分布，从而实现精准分割和通过熵和标准差进行认识论不确定性估计。该方法在肺鳃状细胞癌数据集上进行评估，准确率与既定基准相当，平均 Dice 得分和平均 IoU 分别为 0.805 和 0.709，同时提供了像素级不确定性图。不确定性估计与分割误差呈现强相关性，尽管校准仍有不完善之处。这些结果表明，面向临床工作流程的可解释性 PD-L1 预测具有前景。
引用
@article{arxiv.2511.11486,
title = {Multimodal Posterior Sampling-based Uncertainty in PD-L1 Segmentation from H&E Images},
author = {Roman Kinakh and Gonzalo R. Ríos-Muñoz and Arrate Muñoz-Barrutia},
journal= {arXiv preprint arXiv:2511.11486},
year = {2025}
}
备注
Preprint (pre-review). Accepted for publication in Lecture Notes in Bioinformatics (Springer, 2025). The final authenticated version will be available on SpringerLink once published