Regression-based Deep-Learning predicts molecular biomarkers from pathology slides

要約

タイトル：病理スライドから分子バイオマーカーを予測する回帰型ディープラーニング

要約：

– ディープラーニングによって、がん病理組織からバイオマーカーを予測することができる。
– 一部の臨床的に認可されたアプリケーションでこの技術が使用されているが、ほとんどのアプローチはカテゴリカルなラベルを予測するため、バイオマーカーはしばしば連続的な測定値である。
– そこで、回帰型ディープラーニングが分類型ディープラーニングよりも優れているという仮説を立て、新しい自己教師あり注目弱監督回帰法を開発して評価した。
– この方法は、9つのがん種の11,671人の患者の画像から直接連続的なバイオマーカーを予測する。
– この方法は、ホモログ修復欠損 (HRD)スコア、全生物種にわたって臨床的に使用されるバイオマーカー、および腫瘍微小環境の主要な生物学的プロセスのマーカーなど、多くの臨床的に有用なバイオマーカーに対してテストされた。
– 回帰を使用することによって、バイオマーカー予測の精度が有意に向上し、分類よりも結果の解釈性が向上する。
– 大規模な大腸がん患者のコホートでは、回帰型予測スコアは分類型スコアよりも高い予後価値を提供する。
– 当社のオープンソース回帰アプローチは、計算パスウェイにおける連続バイオマーカー解析の有望な代替方法を提供する。

要約(オリジナル)

Deep Learning (DL) can predict biomarkers from cancer histopathology. Several clinically approved applications use this technology. Most approaches, however, predict categorical labels, whereas biomarkers are often continuous measurements. We hypothesized that regression-based DL outperforms classification-based DL. Therefore, we developed and evaluated a new self-supervised attention-based weakly supervised regression method that predicts continuous biomarkers directly from images in 11,671 patients across nine cancer types. We tested our method for multiple clinically and biologically relevant biomarkers: homologous repair deficiency (HRD) score, a clinically used pan-cancer biomarker, as well as markers of key biological processes in the tumor microenvironment. Using regression significantly enhances the accuracy of biomarker prediction, while also improving the interpretability of the results over classification. In a large cohort of colorectal cancer patients, regression-based prediction scores provide a higher prognostic value than classification-based scores. Our open-source regression approach offers a promising alternative for continuous biomarker analysis in computational pathology.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI