基于回归的深度学习从病理切片预测分子生物标志物
计算机视觉与模式识别
2023-04-12 v1 人工智能
摘要
深度学习（DL）可从癌症组织病理学预测生物标志物。若干临床获批应用使用了该技术。然而，大多数方法预测类别标签，而生物标志物常为连续测量值。我们假设基于回归的深度学习优于基于分类的深度学习。因此，我们开发并评估了一种新的自监督、基于注意力的弱监督回归方法，在横跨九种癌症类型的 11,671 名患者中直接从图像预测连续生物标志物。我们针对多个临床与生物学相关生物标志物测试了该方法：同源重组缺陷（HRD）评分（一种临床使用的泛癌生物标志物），以及肿瘤微环境中关键生物学过程的标志物。使用回归显著提升了生物标志物预测的准确度，同时相比分类还改善了结果的可解释性。在大型结直肠癌患者队列中，基于回归的预测评分比基于分类的评分具有更高的预后价值。我们的开源回归方法为计算病理学中的连续生物标志物分析提供了一种有前景的替代方案。
引用
@article{arxiv.2304.05153,
title = {Regression-based Deep-Learning predicts molecular biomarkers from pathology slides},
author = {Omar S. M. El Nahhas and Chiara M. L. Loeffler and Zunamys I. Carrero and Marko van Treeck and Fiona R. Kolbinger and Katherine J. Hewitt and Hannah S. Muti and Mara Graziani and Qinghe Zeng and Julien Calderaro and Nadina Ortiz-Brüchle and Tanwei Yuan and Michael Hoffmeister and Hermann Brenner and Alexander Brobeil and Jorge S. Reis-Filho and Jakob Nikolas Kather},
journal= {arXiv preprint arXiv:2304.05153},
year = {2023}
}