深度多字典学习,以预测多变焦的生理病理整体幻灯片图像的生存

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 癌症研究 癌症研究

背景情况:

• 组织病理整片图像 (WSIs) 对于癌症生存预测至关重要,有助于临床决策.
• 在WSI分析中的挑战包括复杂的微环境和组织异质性,阻碍了与预后相关的表示学习.
• 现有的方法往往忽略了多变焦WSIs中存在的有价值信息.

研究的目的:

• 开发一个深度的多字典学习框架,以提高癌症存活率预测,使用多变焦组织病理学WSIs.
• 为了有效地建模多尺度深度表示,并识别歧视性微环境集群用于生存分析.
• 通过利用多个图像放大度之间的微妙差异来提高预后预测的准确性.

主要方法:

• 提出了一个深度多字典学习框架,利用堆叠的深度自动编码器来从多变焦的WSI中学习多尺度的特征.
• 采用集群算法,根据这些多尺度特征,分组不同的微环境.
• 采用后修剪的多字典学习方法,从选定的预后相关集群学习歧视性表示,并将其输入EN-Cox生存模型.

主要成果:

• 拟议的框架成功地学习了从多层次深层特征中代表微环境的歧视性集群.
• 多字典学习方法有效地选择了与预后相关的集群,用于任务驱动的表示学习.
• 在三个TCGA数据集的评估中,与几种最先进的生存分析方法相比,表现优越.

结论:

• 深度多字节学习框架为使用多变焦WSIs的癌症生存预测提供了强大的方法.
• 利用多尺度特征和歧视性微环境集群显著提高预测准确性.
• 该方法为瘤学中风险益处评估和临床决策提供了一个有前途的工具.