采样:用于快速分析整片组织图像的无监督表示
Patience Mukashyaka1, Todd B Sheridan2, Ali Foroughi Pour3
1The Jackson Laboratory for Genomic Medicine, Farmington, CT, USA; Department of Genetics and Genome Sciences, University of Connecticut Health Center, Farmington, CT, USA.
EBioMedicine
|December 15, 2023
概括
采样器是一种新的无监督方法,用于分析整个幻灯片图像 (WSIs),在癌症亚型中实现高精度. 这种快速方法显著优于传统的基于注意力的深度学习模型,为数字病理学提供了更好的可扩展性.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 深度学习模型通过编码较小的图像来分析整个幻灯片图像 (WSI).
- 监督的基于注意力的模型将特征汇总为幻灯片级分析,但需要广泛的计算和标记数据.
- SAMPLER为生成幻灯片级别表示提供了一个无监督和快速的替代方案.
研究的目的:
- 开发一种快速,无监督的方法 (SAMPLER) 来从WSIs生成幻灯片级表示.
- 评估SAMPLER在分类不同组织类型和制备方法的癌症亚型方面的有效性.
- 与现有的基于注意力的模型相比,评估SAMPLER的可解释性和效率.
主要方法:
- SAMPLER编码了多尺度层特征的累积分布函数,以创建幻灯片层表示.
- 经过训练,分类器使用了来自癌症基因组图谱 (TCGA) 的乳腺癌 (BRCA),非小细胞肺癌 (NSCLC) 和细胞癌 (RCC) WSIs 的SAMPLER表示.
- 在FFPE和冷的WSIs上评估性能,包括外部验证,并与两个基于注意力的运行效率模型进行比较.
主要成果:
- 基于SAMPLER的分类器表现出与BRCA,NSCLC和RCC亚型分类的最先进模型 (例如,AUC从0.911到0.987) 的性能相当.
- 训练基于SAMPLER的分类器比基于注意力的模型快100倍以上.
- SAMPLER成功地在WSIs中识别了亚型特定的形态特征,通过组织病理学审查证实了这一点.
结论:
- SAMPLER为WSI分析提供了一种快速,有效和可扩展的无监督方法,优于基于注意力的深度学习方法.
- SAMPLER的高精度和可解释的注意力地图表明它能够捕捉独特的形态特征.
- 样本显示广泛适用于一般组织学图像分析挑战.
