XDEEP-MSI：结直肠癌中可解释且拒偏的微卫星不稳定性深度学习系统
计算机视觉与模式识别
2021-10-29 v1 机器学习
摘要
我们提出一个利用为组织微阵列（TMAs）定制的深度学习（DL）技术，从结直肠癌 H&E 图像预测微卫星不稳定性（MSI）的系统。该系统包含一个端到端图像预处理模块，其在组织分类器模块引导下于感兴趣区域生成多倍率图块，以及一个多重偏置拒绝模块。训练与验证 TMA 样本取自 EPICOLON 项目，并进一步用单一机构的样本 enrichment。在图块层面的系统性偏置研究识别出与基线模型所学表示相关的三个受保护（偏置）变量：样本来源项目、患者点以及放置每个点的 TMA 玻片。我们在 DL 架构中实现了基于对抗训练的多重偏置拒绝技术，以直接避免学习这些变量的批次效应。去偏模型中学习的特征对任务具有最大判别力，且与偏置的统计均值依赖最小。我们分析了不同倍率、组织类型以及图块级与患者级模型性能的影响。在图块级、包含全部三种选定组织（肿瘤上皮、黏液和淋巴区域）和 4 种倍率下的 AUC 为 0.87 ± 0.03，在患者级提升至 0.9 ± 0.03。据我们所知，这是首个在数字病理学的 DL 架构中引入多重偏置消除技术的工作，也是首个使用 TMA 进行 MSI 预测任务的工作。
引用
@article{arxiv.2110.15350,
title = {XDEEP-MSI: Explainable Bias-Rejecting Microsatellite Instability Deep Learning System In Colorectal Cancer},
author = {Aurelia Bustos and Artemio Payá and Andres Torrubia and Rodrigo Jover and Xavier Llor and Xavier Bessa and Antoni Castells and Cristina Alenda},
journal= {arXiv preprint arXiv:2110.15350},
year = {2021}
}
备注
16 pages, 8 figures