细胞Maps:一个紧的表示,用于对肺腺癌生长模式的稳健分类
Arwa Al-Rubaian1, Gozde N Gunesli1, Wajd A Althakfi2
1Tissue Image Analytics Centre, Department of Computer Science, University of Warwick, UK.
Computers in biology and medicine
|May 1, 2025
概括
这项研究引入了一种新的机器学习管道,用于从整个幻灯片图像中对肺腺癌 (LUAD) 的生长模式进行分类. 该方法实现了最先进的性能,并显示了预测瘤突变负担的潜力.
科学领域:
- 数字病理学数字病理学
- 计算瘤学计算瘤学
- 机器学习在医学中的应用
背景情况:
- 肺腺癌 (LUAD) 呈现出显著的形态异质性,具有五种主要的组织学生长模式.
- 准确的LUAD生长模式的分类对于预后至关重要,但受到主观性和观察者变异性的挑战.
- 现有的机器学习方法往往侧重于在幻灯片层面上占主导地位的模式分类.
研究的目的:
- 开发一个可通用的机器学习管道来分类LUAD组织生长模式.
- 为了解决 LUAD 模式分类中主观性和观察者可变性的局限性.
- 探索管道输出对预测瘤突变负担 (TMB) 的实用性.
主要方法:
- 开发一种新的紧型细胞组织图表 (cellOMaps) 表示方式,以捕获来自血素和素 (H&E) 整片图像 (WSI) 的空间模式.
- 使用cellOMaps实现机器学习管道的实施,用于将组织分类为五种LUAD模式或非瘤.
- 在内部未见的幻灯片和外部数据集上评估管道的性能.
主要成果:
- 拟议的管道在LUAD增长模式分类中取得了最先进的表现.
- 该方法在内部和外部验证数据集上表现出优异的性能,与目前的方法相比.
- 初步发现表明该模型能够预测患者瘤突变负担 (TMB) 水平.
结论:
- 开发的机器学习管道为客观的LUAD组织学生长模式分类提供了强大的和可泛化的解决方案.
- 细胞OMaps表示有效地捕获关键的空间信息,用于准确的分类.
- 这种方法对改善预后准确性和通过TMB预测指导个性化治疗策略有潜在的影响.
