改善瘤透性淋巴细胞在乳腺癌中的得分预测,使用自主监督学习
Sijin Kim1, Kazi Rakib Hasan1, Yu Ando1
1Department of Biomedical Science, Kyungpook National University, Daegu 41566, Republic of Korea.
Life (Basel, Switzerland)
|January 23, 2024
概括
自主监督学习 (SSL) 模型通过增强组织细分和淋巴细胞检测来改善瘤透淋巴细胞 (TIL) 评分预测. 这些模型即使使用有限的标记数据也表现良好,优于标准的预训练方法.
科学领域:
- 免疫瘤学 免疫瘤学
- 计算病理学计算病理学
- 生物医学图像分析
背景情况:
- 瘤微环境 (TME) 在免疫瘤学中至关重要,它影响癌症的进展和治疗反应.
- 瘤透淋巴细胞 (TIL) 是乳腺癌的关键预后生物标志物,指导免疫治疗策略.
- 准确的TIL量化对于个性化癌症护理至关重要,但通常因数据可用性而受到限制.
研究的目的:
- 开发和评估自我监督学习 (SSL) 模型,以改善组织细分和淋巴细胞检测.
- 使用基于SSL的方法预测瘤透淋巴细胞 (TIL) 评分,解决有限的标记数据的挑战.
- 为了比较SSL模型的性能与传统的预训练方法,如ImageNet.
主要方法:
- 利用自主监督学习 (SSL) 模型进行计算病理学任务,包括组织细分和淋巴细胞检测.
- 在用于TIL分数预测的数据集上训练和评估SSL模型,特别强调SwaV预训练模型.
- 将SSL模型性能与ImageNet预训练进行比较,重点是使用更少的标记数据进行改进.
主要成果:
- 与ImageNet预训练相比,在组织细分方面取得了1.9%的改善,在淋巴细胞检测方面取得了2%的改善.
- 获得了0.718的TIL分数,使用开发的SSL模型表示4.4%的改进.
- 在仅使用10%的数据集进行训练时,证明了SwaV预训练的SSL模型的优越性能.
结论:
- SSL模型显著增强组织细分和淋巴细胞检测,用于TIL得分预测.
- 在计算病理学中,SSL方法有效地减轻了对广泛标记数据的需求.
- 这项研究证实SSL是提高免疫瘤学和癌症诊断精度的强大工具.
