自监督学习改进多癌种组织切片中 dMMR/MSI 检测
图像与视频处理
2022-03-23 v1 计算机视觉与模式识别
机器学习
摘要
微卫星不稳定性（MSI）是一种肿瘤表型，其诊断在结直肠癌（CRC）中对患者诊疗影响重大，并与所有实体瘤对免疫治疗的应答相关。直接从 H&E 染色切片检测 MSI 肿瘤的深度学习模型已显示出改善 MSI 患者诊断的前景。既往 MSI 检测的深度学习模型依赖于在 ImageNet 数据集上预训练的神经网络，而该数据集不含任何医学图像。在本研究中，我们利用自监督学习的最新进展，使用 MoCo V2 在 TCGA 数据集的组织学图像上训练神经网络。我们表明这些网络持续优于使用 ImageNet 预训练的对应网络，并在 MSI 检测上取得最先进结果，对 CRC 和胃肿瘤的 AUC 分别为 0.92 和 0.83。这些模型在外部 CRC 队列上泛化良好（PAIP 上 AUC 0.97），并改善了从一种器官到另一种器官的迁移。最后我们显示预测图像区域呈现出有意义的组织学模式，且据专家病理医生评估，MoCo 特征的使用突出了更相关的模式。
引用
@article{arxiv.2109.05819,
title = {Self supervised learning improves dMMR/MSI detection from histology slides across multiple cancers},
author = {Charlie Saillard and Olivier Dehaene and Tanguy Marchand and Olivier Moindrot and Aurélie Kamoun and Benoit Schmauch and Simon Jegou},
journal= {arXiv preprint arXiv:2109.05819},
year = {2022}
}
备注
Accepted for poster and oral presentation at the MICCAI 2021 COMPAY Workshop (submitted the 19th of July 2021)