Incorporating intratumoral heterogeneity into weakly-supervised deep learning models via variance pooling

要約

ギガピクセルの全スライド画像（WSI）からの癌生存予測などの教師あり学習タスクは、腫瘍微小環境の複雑な機能のモデリングを必要とする計算病理学における重要な課題です。
これらの学習タスクは、腫瘍内の不均一性を明示的にキャプチャしない深いマルチインスタンス学習（MIL）モデルで解決されることがよくあります。
MILモデルが腫瘍内の不均一性を予測に組み込むことを可能にする新しい分散プーリングアーキテクチャを開発します。
これらのモデルによってキャプチャされた生物学的信号を精査するために、代表的なパッチに基づく2つの解釈可能性ツールが示されています。
Cancer Genome Atlasの4,479ギガピクセルのWSIを使用した実証的研究では、MILフレームワークに分散プーリングを追加すると、5つの癌タイプの生存予測パフォーマンスが向上することが示されています。

要約(オリジナル)

Supervised learning tasks such as cancer survival prediction from gigapixel whole slide images (WSIs) are a critical challenge in computational pathology that requires modeling complex features of the tumor microenvironment. These learning tasks are often solved with deep multi-instance learning (MIL) models that do not explicitly capture intratumoral heterogeneity. We develop a novel variance pooling architecture that enables a MIL model to incorporate intratumoral heterogeneity into its predictions. Two interpretability tools based on representative patches are illustrated to probe the biological signals captured by these models. An empirical study with 4,479 gigapixel WSIs from the Cancer Genome Atlas shows that adding variance pooling onto MIL frameworks improves survival prediction performance for five cancer types.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google