Multi-task Learning of Histology and Molecular Markers for Classifying Diffuse Glioma

要約

ごく最近では、癌の病理学的診断は、分子メーカーと組織学的特徴を統合することに移行しつつある。
分子マーカーを組織学と効果的に統合するデジタル病理学手法が緊急に必要とされており、これにより現実世界のシナリオでより正確な診断が可能になる可能性があります。
この論文では、分子マーカーと組織学的特徴を共同で予測し、スライド画像全体でびまん性神経膠腫の塩基を分類するためのそれらの相互作用をモデル化する最初の試みを紹介します。
具体的には、組織学と分子マーカーを共同で予測するための階層型マルチタスク、マルチインスタンス学習フレームワークを提案します。
さらに、分子マーカーの共起をモデル化するための共起確率ベースのラベル補正グラフ ネットワークを提案します。
最後に、組織学と分子マーカーの相互作用をモデル化するために、動的信頼制約損失を使用したオミクス間相互作用戦略を設計します。
私たちの実験は、私たちの方法がびまん性神経膠腫、および多施設データセット上の関連する組織学および分子マーカーの分類において他の最先端の方法よりも優れていることを示しています。

要約(オリジナル)

Most recently, the pathology diagnosis of cancer is shifting to integrating molecular makers with histology features. It is a urgent need for digital pathology methods to effectively integrate molecular markers with histology, which could lead to more accurate diagnosis in the real world scenarios. This paper presents a first attempt to jointly predict molecular markers and histology features and model their interactions for classifying diffuse glioma bases on whole slide images. Specifically, we propose a hierarchical multi-task multi-instance learning framework to jointly predict histology and molecular markers. Moreover, we propose a co-occurrence probability-based label correction graph network to model the co-occurrence of molecular markers. Lastly, we design an inter-omic interaction strategy with the dynamical confidence constraint loss to model the interactions of histology and molecular markers. Our experiments show that our method outperforms other state-of-the-art methods in classifying diffuse glioma,as well as related histology and molecular markers on a multi-institutional dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google