基于回归的深度学习可以从病理幻灯片中预测分子生物标志物.
Omar S M El Nahhas1, Chiara M L Loeffler1,2, Zunamys I Carrero1
1Else Kroener Fresenius Center for Digital Health, Medical Faculty Carl Gustav Carus, TUD Dresden University of Technology, Dresden, Germany.
Nature communications
|February 10, 2024
概括
深度学习回归精确地从组织病理学图像中预测连续癌症生物标志物,优于分类方法. 这种方法增强了预后价值,并为计算病理学分析提供了有前途的工具.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
背景情况:
- 深度学习 (DL) 越来越多地用于从癌症组织病理学图像中预测生物标志物.
- 当前的DL应用程序经常预测分类标签,这是一个局限性,因为生物标志物经常是连续测量.
- 假设是基于回归的DL模型将在连续生物标志物预测中优于基于分类的模型.
研究的目的:
- 开发和评估一种自我监督,基于注意力,弱监督的回归方法,用于直接从基因病理图像预测连续生物标志物.
- 为了比较基于回归的DL与基于分类的DL对生物标志物预测的性能.
- 评估DL预测的连续生物标志物的临床相关性和预后价值.
主要方法:
- 开发一种新的自我监督,基于注意力,弱监督的回归框架.
- 该方法应用于9种癌症类型患者的11,671张组织病理学图像.
- 对临床相关的生物标志物进行测试,包括同源重组缺陷评分和瘤微环境标志物.
主要成果:
- 与基于分类的DL相比,基于回归的DL显著提高了连续生物标志物预测的准确性.
- 回归方法改善了预测对比的临床相关区域在组织病理图像中的对应.
- 在结直肠癌患者中,基于回归的预测得分显示出比基于分类的得分更高的预后价值.
结论:
- 基于回归的深度学习是预测癌症组织病理学的连续生物标志物的卓越方法.
- 开发的开源方法为计算病理学中持续生物标志物分析提供了有价值的替代方案.
- 这种方法有望提高瘤学的诊断准确性和预后评估.
