ATEC23挑战:使用基因病理图像对卵巢癌治疗有效性的自动预测

科学领域:

• 在瘤学瘤学.
• 医学图像分析 医学图像分析
• 计算病理学计算病理学

背景情况:

• 表皮卵巢癌 (EOC) 的死亡率很高,尽管治疗方面取得了进展,但经常复发.
• 贝瓦西祖马布是一种抗血管性药物,已被批准用于晚期卵巢癌,但具有显著的毒性和高成本.
• 需要使用预测方法来识别将受益于贝瓦齐祖马布的患者,优化其使用并最大限度地减少不良影响.

研究的目的:

• 总结和评估用于预测贝瓦西祖马布治疗在卵巢癌中的疗效的自动化方法,使用基因病理图像.
• 将这些自动化方法的性能与最先进的深度学习方法进行比较.
• 通过生存分析评估这些预测模型对患者选择的有用性.

主要方法:

• 该研究总结了ATEC23挑战中的5种合格的自动化方法,该方法使用全幻灯片图像 (WSI) 进行培训,并使用组织核心图像进行测试.
• 方法与5种深度学习方法进行了评估.
• 考克斯比例危险和卡普兰-梅尔生存分析被用来评估模型对患者选择的有效性.

主要成果:

• 挑战突出了目前基于预后的分类多阶段学习 (MIL) 方法的局限性.
• 像Inception这样具有多分辨率处理能力的深度卷积神经网络 (DCNNs) 对于病理学相关的预测任务至关重要.
• 该研究发布了测试组标签,使未来的精密瘤学研究成为可能.

结论:

• 使用数字组织病理学的治疗有效性的自动预测显示了卵巢癌患者选择的潜力.
• 深度学习,特别是DCNN,为数字病理学任务提供了强大的和具有成本效益的管道.
• 进一步研究各种规模的特征重复使用可以改善精确瘤学的未来预测模型.