H&E染色ヒストロジー画像のローカルおよびグローバル情報融合を使用して,腫瘍の予後のためのハイパーグラフベースのモデル

科学分野:

• コンピューティング病理学
• 腫瘍学における人工知能
• デジタルヒストパトロジー デジタルヒストパトロジー

背景:

• 正確ながんの予後は,治療決定に不可欠です.
• ギガピクセルの組織病理学スライドから予後情報を抽出することは困難です.
• 既存のディープラーニングモデルは,スライドレベルの文脈と,さまざまな癌のタイプに共通する汎用性で苦労しています.

研究 の 目的:

• ヒト病理学スライドからがんの予後を改善するための新しいディープラーニングフレームワークを開発する.
• スライド内のローカルとグローバルの両方の文脈的な情報のモデリングを強化します.
• 複数のがんタイプとデータセットにわたって優れた汎用性を達成するためです.

主な方法:

• ハイパーグラフベースの多インスタンスコントラスティブ強化学習モデル (HeMiCoRe) を提案した.
• 10種類の癌の5196のH&E染色スライドから集積されたクラスター限定のローカル特徴とクロスクラスターのグローバル表現.
• 生存結果予測のためのハイパーグラフニューラルネットワークを使用して,形態学的および空間的関係を活用した.

主要な成果:

• 癌の10種類のうち8種類において最先端の性能 (SOTA) を達成した.
• 既存の弱く監督された方法と比較して優れた汎用化能力を示した.
• 予後予測のためのローカルとグローバルなスライドレベルの情報を成功裏に統合しました.

結論:

• HeMiCoReは,組織病理学画像を使用してがんの予後のための堅牢な枠組みを提供します.
• このモデルは,臨床採用と治療の意思決定を支援するために,大きな希望を示しています.
• ハイパーグラフニューラルネットワークは,生存結果の予測を改善するために,複雑な関係を効果的に捉えます.