用于骨肉瘤组织学分类的影像组学集成深度学习与分层损失方法
计算机视觉与模式识别
2026-01-15 v1 人工智能
摘要
骨肉瘤是一种具有侵袭性的原发性骨恶性肿瘤。在新辅助化疗后,对存活与非存活肿瘤区域进行准确的组织病理学评估对于预后和治疗规划至关重要,然而人工评估依然耗时费力、主观性强且易产生观察者间差异。数字病理学的最新进展使得自动坏死定量成为可能。在患者层面独立采样的测试数据上评估发现,深度学习模型的性能较先前研究中报告的瓦片级泛化能力出现显著下降。首先,本工作提出在模型训练中使用影像组学特征作为额外输入。我们表明,尽管这些特征衍生自图像,这种多模态输入除了在可解释性方面的附加收益外,还有效提升了分类性能。其次,本工作提出使用具有分层类别的两个二分类任务(即肿瘤与非肿瘤,以及存活与非存活)进行优化,以替代“扁平”的三分类任务(即非肿瘤、非存活肿瘤、存活肿瘤),从而实现分层损失。我们表明,这种具有两个任务间可训练权重的分层损失能够显著提升各类的性能。使用 TCIA OS 肿瘤评估数据集,我们通过实验验证了所提出的每种新方法及其组合带来的收益,并在此开放数据集上为该应用创造了我们所认为的新的 SOTA 性能。代码与训练模型: https://github.com/YaxiiC/RadiomicsOS.git。
引用
@article{arxiv.2601.09416,
title = {Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification},
author = {Yaxi Chen and Zi Ye and Shaheer U. Saeed and Oliver Yu and Simin Ni and Jie Huang and Yipeng Hu},
journal= {arXiv preprint arXiv:2601.09416},
year = {2026}
}