部分标签对比表示学习细粒度生物标志物从组织病理学预测整片图像

科学领域:

• 计算病理学计算病理学
• 生物医学图像分析
• 机器学习用于医疗保健

背景情况:

• 从整个幻灯片图像 (WSIs) 预测生物标志物的组织病理学分析面临着复杂的组织亚型和标签噪声的挑战.
• 由于这些局限性,现有的表示学习方法难以准确地区分细粒度生物标记物.

研究的目的:

• 提出一种新的部分标签对比表示学习方法,用于增强基因病理学图像表示歧视.
• 从WSIs提高微粒度生物标志物预测的准确性.

主要方法:

• 开发了一个部分标签对比集群 (PLCC) 模块,以有效地消除部分标签的模糊性.
• 实施了动态聚类算法,在对比学习过程中采样代表性特征.
• 使用了三个基因突变预测数据集:USTC-EGFR,BRCA-HER2和TCGA-EGFR.

主要成果:

• 拟议的方法在准确性,AUC和F1得分指标方面表现优于现有的9种方法.
• 在TCGA-EGFR中获得了0.950的EGFR突变亚型的AUC.
• 在BRCA-HER2.2中获得HER2分级 (0/1+/2+/3+) 的AUC为0.853.

结论:

• 这种新的方法在细粒度生物标志物预测上表现出了卓越的表现,来自组织病理学WSIs.
• PLCC模块和动态聚类有效地解决了WSI分析中的挑战.
• 这种方法具有显著的潜力,可以提高计算病理学的诊断准确性.