用于高效分析 3D 病理样本的弱监督 AI
图像与视频处理
2023-07-28 v1 计算机视觉与模式识别
定量方法
摘要
人体组织及其组成细胞构成了一个本质为三维（3D）的微环境。然而，病理诊断的标准操作是从中选取若干二维（2D）切片进行显微评估，存在采样偏倚与误诊风险。已开发出多种捕获 3D 组织形态的方法，但很少转化至临床实践；此类大型 3D 数据的手动与计算评估迄今既不实用，也无法提供患者层面的临床洞察。本文提出用于体积块分析的模态无关多示例学习（MAMBA），一个基于深度学习的平台，用于处理来自不同成像模态的 3D 组织图像并预测患者预后。使用开顶光片显微镜或微计算机断层扫描对存档前列腺癌标本成像，所得 3D 数据集通过 MAMBA 训练基于 5 年生化复发结果的风险分层网络。采用 3D 基于块的方法，MAMBA 的受试者工作特征曲线下面积（AUC）达 0.86 和 0.74，优于 2D 传统单切片预后（AUC 为 0.79 和 0.57），表明 3D 形态学特征具有更优预后能力。进一步分析揭示，纳入更大组织体积可改善预后表现并缓解采样偏倚所致的风险预测变异，提示捕获更大范围异质 3D 形态的价值。随着研究人员与临床医生对 3D 空间生物学与病理学技术的快速采纳，MAMBA 为临床决策支持的 3D 弱监督学习提供了通用高效框架，并有助于揭示用于预后与治疗反应的新型 3D 形态学生物标志物。
引用
@article{arxiv.2307.14907,
title = {Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples},
author = {Andrew H. Song and Mane Williams and Drew F. K. Williamson and Guillaume Jaume and Andrew Zhang and Bowen Chen and Robert Serafin and Jonathan T. C. Liu and Alex Baras and Anil V. Parwani and Faisal Mahmood},
journal= {arXiv preprint arXiv:2307.14907},
year = {2023}
}