利用自监督对比学习的全切片图像表示进行黑色素瘤一致性回归
计算机视觉与模式识别
2022-10-11 v1 人工智能
图像与视频处理
摘要
尽管黑色素瘤较其他几种皮肤癌更为罕见，但若漏诊，患者长期生存率极低。在区分黑色素瘤与良性黑素细胞病变时，病理医生间的高不一致率使诊断复杂化。向医疗提供者提供潜在一致性信息的工具，可有助于为疑难黑色素瘤病例的诊断、预后与治疗决策提供信息。我们提出一种黑色素瘤一致性回归深度学习模型，能够从数字化的全切片图像（WSI）预测浸润性黑色素瘤或原位黑色素瘤的一致性率。对应于黑色素瘤一致性的显著特征以自监督方式通过对比学习方法 SimCLR 学习。我们用从 10,895 份标本随机采样的 83,356 个 WSI 图块训练 SimCLR 特征提取器，这些标本来自四个不同病理实验室。我们用来自三个病理实验室、具可用一致性真值标注的 990 份标本训练独立的黑色素瘤一致性回归模型，并在 211 份标本上测试该模型。我们在测试集上取得 0.28 ± 0.01 的均方根误差（RMSE）。我们还研究了将预测一致性率用作恶性分类器的性能，在测试集上分别取得 0.85 ± 0.05 的精确率与 0.61 ± 0.06 的召回率。这些结果是构建能预测咨询专家小组结果、并依据专家对特定诊断的同意程度给出评分的人工智能（AI）系统的重要第一步。此类系统可用于建议额外检测或其他行动，如申请额外染色或基因检测。
引用
@article{arxiv.2210.04803,
title = {Using Whole Slide Image Representations from Self-Supervised Contrastive Learning for Melanoma Concordance Regression},
author = {Sean Grullon and Vaughn Spurrier and Jiayi Zhao and Corey Chivers and Yang Jiang and Kiran Motaparthi and Michael Bonham and Julianna Ianni},
journal= {arXiv preprint arXiv:2210.04803},
year = {2022}
}
备注
Accepted at ECCV 2022 AIMIA Workshop. arXiv admin note: text overlap with arXiv:2109.07554