用于基于图像的原发黑色素瘤基因组免疫亚组分类的弱监督学习
图像与视频处理
2022-02-24 v1 计算机视觉与模式识别
定量方法
摘要
确定早期预后标志物并为有效治疗对患者进行分层,是改善黑色素瘤患者预后的两个关键挑战。既往研究利用肿瘤转录组数据将患者划分为免疫亚组,这些亚组与差异性的黑色素瘤特异性生存及潜在治疗策略相关。然而,获取转录组数据是一个耗时且昂贵的过程。此外,它在当前临床工作流中并未常规使用。在此,我们试图克服这一问题,开发深度学习模型,将临床工作流中已成熟的十亿像素 H&E 染色病理切片分类至这些免疫亚组。既往分型方法采用需要完全标注数据的监督学习,或仅考察黑色素瘤患者的单一基因突变。我们利用多示例学习方法,其仅需切片级标签,并使用注意力机制来高亮对分类具有重要性的区域。而且,我们表明相较于与病理无关的模型,病理特定的自监督模型能生成更好的表征,从而提升我们的模型性能,在将组织病理学图像分类为高或低免疫亚组时取得了 0.76 的平均 AUC。我们预期该方法可使我们发现高度重要的新生物标志物,并可作为临床医生推断肿瘤免疫景观及对患者进行分层的工具,而无需开展额外的昂贵基因检测。
引用
@article{arxiv.2202.11524,
title = {Weakly-supervised learning for image-based classification of primary melanomas into genomic immune subgroups},
author = {Lucy Godson and Navid Alemi and Jeremie Nsengimana and Graham P. Cook and Emily L. Clarke and Darren Treanor and D. Timothy Bishop and Julia Newton-Bishop and Ali Gooya},
journal= {arXiv preprint arXiv:2202.11524},
year = {2022}
}
备注
8 pages (without appendices), 2 figures, submitted to MIDL 2022 conference proceedings