Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples

要約

人間の組織とその構成細胞は、基本的に三次元 (3D) の微環境を形成します。
しかし、病理学的診断における標準治療では、顕微鏡評価のためにいくつかの 2 次元 (2D) 切片を選択する必要があり、サンプリングの偏りや誤診の危険があります。
3D 組織形態を捕捉するためのさまざまな方法が開発されていますが、臨床実践にはまだほとんど応用されていません。
このような大規模な 3D データの手動およびコンピューターによる評価は、これまで非現実的であり、患者レベルの臨床的洞察を提供することができませんでした。
ここでは、さまざまな画像モダリティからの 3D 組織画像を処理し、患者の転帰を予測するための深層学習ベースのプラットフォームである、体積ブロック解析のためのモダリティに依存しない複数インスタンス学習 (MAMBA) を紹介します。
アーカイブされた前立腺がん標本は、オープントップ ライトシート顕微鏡またはマイクロコンピューター断層撮影法で画像化され、得られた 3D データセットは、MAMBA を介して 5 年間の生化学的再発結果に基づいてリスク階層化ネットワークをトレーニングするために使用されました。
3D ブロックベースのアプローチにより、MAMBA は 0.86 および 0.74 の受信者動作特性曲線下面積 (AUC) を達成し、これは 2D 従来のシングルスライスベースの予後予測 (AUC 0.79 および 0.57) よりも優れており、3D 形態学による優れた予後を示唆しています。
特徴。
さらなる分析により、より大きな組織体積を組み込むことで予後性能が向上し、サンプリングバイアスによるリスク予測のばらつきが軽減されることが明らかになり、より広範囲の不均一な 3D 形態を捕捉することの価値が示唆されています。
研究者や臨床医による 3D 空間生物学および病理学技術の急速な成長と導入に伴い、MAMBA は臨床意思決定支援のための 3D 弱教師あり学習のための一般的かつ効率的なフレームワークを提供し、予後および治療反応のための新しい 3D 形態学的バイオマーカーを明らかにするのに役立ちます。

要約(オリジナル)

Human tissue and its constituent cells form a microenvironment that is fundamentally three-dimensional (3D). However, the standard-of-care in pathologic diagnosis involves selecting a few two-dimensional (2D) sections for microscopic evaluation, risking sampling bias and misdiagnosis. Diverse methods for capturing 3D tissue morphologies have been developed, but they have yet had little translation to clinical practice; manual and computational evaluations of such large 3D data have so far been impractical and/or unable to provide patient-level clinical insights. Here we present Modality-Agnostic Multiple instance learning for volumetric Block Analysis (MAMBA), a deep-learning-based platform for processing 3D tissue images from diverse imaging modalities and predicting patient outcomes. Archived prostate cancer specimens were imaged with open-top light-sheet microscopy or microcomputed tomography and the resulting 3D datasets were used to train risk-stratification networks based on 5-year biochemical recurrence outcomes via MAMBA. With the 3D block-based approach, MAMBA achieves an area under the receiver operating characteristic curve (AUC) of 0.86 and 0.74, superior to 2D traditional single-slice-based prognostication (AUC of 0.79 and 0.57), suggesting superior prognostication with 3D morphological features. Further analyses reveal that the incorporation of greater tissue volume improves prognostic performance and mitigates risk prediction variability from sampling bias, suggesting the value of capturing larger extents of heterogeneous 3D morphology. With the rapid growth and adoption of 3D spatial biology and pathology techniques by researchers and clinicians, MAMBA provides a general and efficient framework for 3D weakly supervised learning for clinical decision support and can help to reveal novel 3D morphological biomarkers for prognosis and therapeutic response.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google